返回 登录
0

【CSDN AI 周刊】No. 006 | 深度学习自动编程

图片描述

【CSDN AI 周刊】每周一早八点为您奉上新鲜出炉的AI早餐。订阅请点击这里

若您有希望与业界分享的AI实施案例、资料整理、学习笔记、趣闻妙谈,请发送邮件至wangyi@csdn.net,期待您的声音。


机器码农:深度学习自动编程

机器自动编程是人工智能一直以来期望攻克的重要应用领域,随着深度学习的逐步流行,最近在自动编程方向获得了广泛应用并取得了很大进展。深度学习如何指导机器自动编写出能正确执行的代码?本文对这方面的最新技术进展进行了介绍,将主流技术分为“黑盒派”和“代码生成派”两种派别,并分别介绍了对应代表系统:“神经程序解释器”及“层级生成式CNN模型”的工作机理。

2017年七大 AI 趋势观察

最近一期的福瑞斯特调查显示,在商业和科技专业人士中,正在研究AI的达58%,已在使用AI系统的只占12%。部分原因是因为AI应用级产品才刚刚实现,另部分原因是因为AI确实有难度。AI需要相当专业化的技术和自行研发的能力。

但是像Facebook公司的Wit.at和Howdy公司的Slack机器人正在竞相成为AI领域的VB(微软的VB可视化编程语言和工具,上手快,使用简便-译者注),给相对不是很内行的开发者提供了“点击式”的会话界面。像Bonsai,Keras,以及TensorFlow(如果你不介意自己编程)这类工具,简化了深度学习模型的操作。谷歌API和微软Azure云平台,则允许你创建智能应用,而无需考虑底层运行平台的配置和运维……

Fregata: Spark上支持万亿维机器学习模型

大规模机器学习工程上最大的挑战是模型的规模。在计算广告,推荐系统的场景下,运用Logistic Regression算法时常需要做特征交叉。原来两组,三组特征的数量可能并不是太大,但是通过交叉后可能会特征数会爆炸。例如,用户特征数1万,广告特征数1万,那么交叉后总特征数就是1亿,如果再与几十个广告位特征交叉,总特征数就会达到几十亿。有些情况下,特征交叉后,总数甚至能达到上千亿。特征数量的爆炸,也带来模型规模的爆炸,这给机器学习带来的挑战比庞大的训练数据量更大。

深度 | 对比深度学习十大框架:TensorFlow最流行但并不是最好

2016 年已经过去,BEEVA Labs 数据分析师 Ricardo Guerrero Gomez-Ol 近日在 Medium 上发表了一篇文章,盘点了目前最流行的深度学习框架。为什么要做这一个盘点呢?他写道:「我常听到人们谈论深度学习——我该从哪里开始呢?TensorFlow 是现在最流行的吧?我听说 Caffe 很常用,但会不会太难了?在 BEEVA Labs,我们常常需要应对许多不同的深度学习库,所以我希望能够将我们的发现和感想分享出来,帮助那些刚刚进入深度学习这一美丽世界的人。」

机器学习对抗性攻击

随着人工智能和机器学习技术在互联网的各个领域的广泛应用,其受攻击的可能性,以及其是否具备强抗打击能力一直是安全界一直关注的。之前关于机器学习模型攻击的探讨常常局限于对训练数据的污染。由于其模型经常趋向于封闭式的部署,该手段在真实的情况中并不实际可行。在GeekPwn2016硅谷分会场上,来自北美工业界和学术界的顶尖安全专家们针对当前流行的图形对象识别、语音识别的场景,为大家揭示了如何通过构造对抗性攻击数据,要么让其与源数据的差别细微到人类无法通过感官辨识到,要么该差别对人类感知没有本质变化,而机器学习模型可以接受并做出错误的分类决定,并且同时做了攻击演示。以下,我们将详细介绍专家们的攻击手段。

深度学习在计算机视觉领域的前沿进展

在今年的神经网络顶级会议NIPS2016上,深度学习三大牛之一的Yann Lecun教授给出了一个关于机器学习中的有监督学习、无监督学习和增强学习的一个有趣的比喻,他说:如果把智能(Intelligence)比作一个蛋糕,那么无监督学习就是蛋糕本体,增强学习是蛋糕上的樱桃,那么监督学习,仅仅能算作蛋糕上的糖霜。本文结合笔者最近看的一些论文和文章,给出一个深度学习在计算机视觉领域的前沿进展的一个简介。

2016年 AI 技术发展综述

2016年对于AI发展来看,是非常重要的一年。AI的各个领域都在蓬勃发展,同时,这一年,我们也目睹了一些在AI发展史上的标志性事件,比如阿尔法围棋战胜人类棋手,语音识别技术达到人类水平,各大云服务平台公司争先恐后进入AI平台开发领域。本文希望能够从几个关键领域和发展方向,在繁多的科技进步中,理清关键信息,对过去一年的经典技术发展做出点评,给读者一个清晰而简单的信息参考。


【CSDN_AI】热衷分享

扫码关注获得更多业内领先案例

图片描述

评论