许多人工智能的最新进展都源于表示学习：机器学习模型学习将数据项表示为多维空间中的向量，其中向量之间的几何关系对应着项目之间的语义关系。某中心M5团队致力于构建与...

如果你刚接触人工智能领域，很可能被这三个高频词搞得晕头转向：人工智能（AI）、机器学习（ML）、深度学习（DL）。它们经常被混用，有时又好像层层嵌套。那么，它们...

在当今科技浪潮中，“人工智能”（Artificial Intelligence, AI）已成为家喻户晓的热词。然而，很多人对“AI”“机器学习”（Machine...

然而，在现实世界中，标注数据往往稀缺而昂贵。例如，为成千上万张医学影像打上疾病标签，需要专业医生的时间与经验；而未标注的数据（例如海量图片、视频、日志信息）却极...

无监督学习是指：在数据没有标签的情况下，算法通过分析样本特征，发现数据内部结构和模式。

在前两篇文章中，我们先后认识了机器学习的发展历程与应用场景，以及不同的分类方法。我们提到，监督学习是机器学习中最基础、最常见的任务类型，也是很多人工智能应用的核...

在上一篇文章中，我们初步了解了什么是机器学习，以及它的基本工作流程。机器学习的本质是通过数据和算法，让计算机从经验中学习规律，并应用到预测或决策中。

机器学习就是让计算机能够“从数据中学习”，并利用所学知识做出预测或决策，而不需要人类写死所有的规则。

👉 举例：如果我们要预测房价，而有些房子的“面积”数据缺失，就需要用均值填充、删除，或使用插值方法来处理。

机器学习的成长并非一蹴而就，而是伴随着数学、统计学、计算机科学的不断发展逐步形成的。我们可以大致将其发展分为以下几个阶段：

特征可视化让我们能够观察到在ImageNet数据集上训练的GoogLeNet网络，如何在多个层级上逐步构建其对图像的理解。

今天给大家推荐和导读下克里斯托弗·毕晓普（Christopher M. Bishop）的《模式识别与机器学习》这本书，简称PRML。该书在豆瓣保持着9.5分的惊...

在国际机器学习会议（ICML）和国际学习表征会议（ICLR）接收的两篇近期论文中，研究者探究了在计算偏微分方程的解时，将已知的物理约束添加到机器学习模型预测输出...

机器学习的创新速度简直超乎想象——今天可能实现的事情，在几年前甚至还未被提上日程。在某中心，这体现为一个机器人系统，它不仅能够识别杂乱储物箱中的潜在空间，还能在...

某中心的预测能力由机器学习、模拟和优化建模共同驱动citation:1。然而，在面对FBA项目中众多独立卖家的多样化业务计划时，仅靠平台方的预测机制存在根本性局...

在论文中，Lopez、Dhillon和Jordan研究了一个问题：当可能的动作空间非常庞大，且训练数据反映了先前动作选择策略的偏差时，如何训练一个机器学习系统来...

传统的分析手段和机器学习擅长告诉你什么能预测结果，但预测不等于因果。而在做决策，不管是干预、优化还是调整业务逻辑时，我们需要的是因果关系。