最新的最新技术是什么?
IP地址是否在Google和社交媒体上的评论中发挥作用?
我应该部署哪一个以获得更好的WiFi网络覆盖范围,WiFi信号中继器或无线接入点? 如果是这样,使用它们的不利之处是什么?
是什么使尼康D500优于D7500? 专业摄影师可以成功使用D500代替全画幅吗?
量子数据存储和量子计算如何相关? 更具体地说,一个可能在另一个之前?
UHD BluRay可以存储PC数据吗?
机器学习课程需要什么数学?
机器学习课程需要什么数学?

正如其他人之前提到的,它将主要归结为统计和线性代数。 但是,我很惊讶答案如此模糊。 您可以专长于许多不同的技术,因此我将尝试提及一些可以开始的地方。 希望它将使您意识到,有很多内容要涵盖,以及如何开始这样做。 线性代数 主题: 向量和矩阵 矩阵乘法与变换 特征向量分析 线性方程组 学习的好地方: 微积分| 可汗学院 线性代数| 可汗学院 线性代数 http://cs229.stanford.edu/sectio… 结石 基本上,您需要能够由内而外进行派生和集成。 主题: 差异化 连锁规则 偏导数 积分 学习的好地方: AP微积分有限公司| 可汗学院 多变量微积分| 可汗学院 统计 也许,最重要的事情是对大多数常见分布(例如高斯,二项式或指数族)的概率密度和质量函数(PDF和PMF)有相当不错的了解。 最后,如果您非常了解统计信息,则可以将任何机器学习问题都转换为统计问题。 我什至可以断言,当前的机器学习发展(除了深度学习之外)只是利用现代计算机的计算能力重新发现了统计学。 另外,我将跳过期望值 , 方差等内容,因为这是基础知识。 主题: 发行版及其CDF和PDF: 二项式 泊松 指数族 特别是高斯分布 从PDF计算CDF 贝叶斯规则 朴素贝叶斯 马尔可夫链 信念网络(或一般的图形模型) 学习的好地方: 统计和概率 机率| 统计和概率| 数学| 可汗学院 信息理论之旅 http://cs229.stanford.edu/sectio… […]

可以有无监督的回归吗?
可以有无监督的回归吗?

有点-您不会发现使用此术语,但是我认为可以将混合模型视为无监督回归。 在回归问题中,您具有某些函数形式[math] y = f(x),[/ math]您同时具有[math] x [/ math]值和[math] y [/ math]值,并且您重新尝试确定[数学] f(x)[/数学]的形状。* 在诸如聚类之类的标准无监督学习问题中,您有一堆[math] x [/ math],并且您试图将它们分类为明智的类别。 有时,将这些聚类解释为某个[math] y [/ math]变量的离散值是很有意义的,但是数据并不是以这种方式标记的 。 如果这样做的话,那将是分类问题,而不是聚类问题。 在混合模型中,您具有[math] y [/ math]和[math] x [/ math]的数据,并且您认为某些数据是由[math] y = f_1(x)[/ math]生成的,有些是由[math] y = f_2(x)[/ math]生成的,依此类推,但是您不知道哪个数据是哪个。 您甚至可能不知道数据中实际上有多少个不同的[f_i(。)[/ math]。 这个问题本质上是将回归与聚类结合在一起,尽管并非总是如此。 与简单的聚类问题不同,估计混合模型通常需要对数据生成过程进行参数假设。 您几乎必须采用统计方法而不是机器学习方法。 *为简单起见,我在这里排除错误项; 如果没有随机或未观察到的成分,则该问题通常很简单。 写类似[math] y = f(x,\ epsilon)[/ math]可能更准确。

当我们达到通用人工智能时,我们将如何确定它是否有知觉?
当我们达到通用人工智能时,我们将如何确定它是否有知觉?

也许最好将其视为二元论。 有时,最好将光视为波浪,有时甚至将其视为粒子。 同样,我相信,例如,如果您是城市规划师,政治家或教育家,则应相信行为是确定性的。 如果您善心地做正确的事,将会以积极的方式影响人们,他们将在这个良性循环的世界上做更多的事情。 另一方面,如果您是一个在恶劣的环境中成长的人,您的态度应该是您拥有自由的意志,并且完全不受教育的束缚。 当然,一旦您变得富有和成名,就可以意识到尽管自己做到了,但为其他所有人提供更好的机会也没有错,然后您将注意力集中在人类行为的确定性方面。 因此,对我而言,我们永远无法知道AI是否具有“意识”,或者如果这样的话,这种意识的“性质”将与我们的意识相提并论。 我个人的观点是意识与生活联系在一起,而不与计算复杂性联系在一起。 因此,我相信我的意识比人工智能更类似于鲸鱼,猫甚至蜻蜓。 但是我当然不能证明这一点。 研究过复杂性和计算机科学的人(毫不奇怪)认为,意识是底层复杂性和计算机科学的功能,而与物理底物的性质无关。 实际上,我认为这可能取决于环境和目标,以便更好地了解AI。 例如,如果某个AI确实确实要求我们授予其某种法律地位,以使我们不能随心所欲地杀死它,但需要某种程序,我倾向于说,好,给它带来好处怀疑或至少我们应该辩论这个问题。 另一方面,在图灵的噩梦中 Amazon.com:John Thomas:书籍,传记,博客,有声读物,Kindle

2017年最重要的机器学习进步是什么?
2017年最重要的机器学习进步是什么?

很难相信只有一年的时间……在AI和机器学习领域发生了太多的事情,很难将其归纳为一个答案。 这是我的尝试。 不要期望太多的细节,但希望有很多链接可以跟进它们。 如果必须选择本年度的主要亮点,则必须使用AlphaGo Zero(纸张)。 这种新方法不仅在某些最有希望的方向上有所改进(例如,深度强化学习),而且还代表了范式转变,在这种模式下,此类模型无需数据即可学习。 最近我们还了解到Alpha Go Zero可以推广到其他游戏,例如国际象棋。 您可以在Quora答案中阅读有关我对这一进步的解释的更多信息。 最近的一项元研究发现,在GANs相关研究论文的报告指标中存在系统性错误。 尽管如此,不可否认的是,GAN继续呈现出令人印象深刻的结果,尤其是在将其应用于图像空间时(例如,渐进式GAN,pix2pix中的有条件GANS或CycleGans)。 由于今年的深度学习,NLP是另一个取得了令人瞩目的进步的领域,即NLP,尤其是翻译。 Salesforce提出了一种有趣的非自回归方法,可以解决完整的句子翻译问题。 也许更具突破性的是Facebook和UPV提出的无监督方法。 深度学习在临近家庭的领域也发挥着巨大的影响:推荐系统。 但是,最近的一篇论文也通过展示像kNN这样的简单方法在深度学习方面的竞争力,也质疑了一些最新进展。 就像GAN研究一样,令人难以置信的是,人工智能研究的快速发展也可能导致科学严谨性的损失。 我还要指出,虽然确实有很多或大多数AI进步都来自深度学习领域,但AI和ML的许多其他方向仍在不断创新。 与上述某些问题有些相关,许多人批评在建立方法的理论基础上缺乏严格性和投入。 就在本周,阿里·拉希米(Ali Rahimi)在NIPS 2017年的“时间考验”演讲中将现代AI描述为“炼金术”。 Yann Lecun在一场辩论中很快做出回应,这场辩论不太可能很快解决。 我想您可能会同意,尽管今年在尝试扩展深度学习的基础方面已经进行了许多有趣的尝试。 例如,研究人员试图了解深度神经网络的概括性。 Tishby的信息瓶颈理论也在今年进行了长时间辩论,作为对某些深度学习特性的合理解释。 欣顿(Hinton)今年因其职业生涯而闻名,他也一直在质疑一些基本问题,例如反向传播的使用。 佩德罗·多明戈斯(Pedro Domingos)等著名研究人员很快就拿起了手套,并开发了使用不同优化技术的深度学习方法。 Hinton提出的最后也是最近期的根本变化是使用胶囊(请参阅原始论文)替代卷积网络。 如果我们看一下AI的工程学方面,那一年是从Pytorch开始努力,并成为Tensorflow的真正挑战,尤其是在研究方面。 Tensorflow通过在Tensorflow Fold中释放动态网络迅速做出反应。 大型企业之间的“ AI战争”还有许多其他战斗,其中最激烈的一场战斗发生在云端。 所有主要提供商都已真正加强并在云中增加了对AI的支持。 亚马逊在其AWS中提出了重大创新,例如最近关于Sagemaker构建和部署ML模型的演示,或与Microsoft一起发布的Gluon库。 还值得一提的是,较小的参与者也正在加入。Nvidia最近推出了他们的GPU云,有望成为训练深度学习模型的另一种有趣选择。 尽管经历了所有这些斗争,但很高兴看到行业可以在必要时走到一起。 神经网络表示的新ONNX标准化是迈向互操作性的重要且必要的一步。 2017年,围绕AI的社会问题还在继续(升级)。 伊隆·马斯克(Elon Musk)继续推动着这样的想法,即我们越来越接近杀手级AI,这使许多人感到沮丧。 关于人工智能将如何影响未来几年的工作,也有很多讨论。 最后,我们看到了更多的注意力放在了AI算法的透明度和偏见上。 最后,在过去的几个月中,我一直致力于医学和医疗保健领域的AI。 我也很高兴看到医疗保健等“传统”领域的创新速度正在迅速提高。 从60年代和70年代的专家系统和贝叶斯系统开始,人工智能和机器学习已在医学领域应用多年。 但是,我经常发现自己只引用了仅仅几个月的论文。 今年提出的一些最新创新包括使用Deep RL,GAN或自动编码器来代表患者的表型。 人工智能的最新进展也集中在精密医学(高度个性化的医学诊断和治疗)和基因组学上。 例如,大卫·布莱(David […]