搜索资源列表
cr
- 认知无线电人工智能研究，主要介绍啦人工智能学习机制在认知无线网络中的应用-cognitive wireless networks
CCF ADL 64 杨强报告PPT
- CCF ADL第64期，香港大学杨强教授的报告PPT，关于迁移学习的最新进展
资料
- 帮助各位本科生、硕士生、博士学习模式识别，机器学习、人工智能，主要是一些英文资料。(To help undergraduates, master students and doctoral students learn pattern recognition, machine learning and artificial intelligence, mainly some English materials)
深度卷积神经网络
- 作为类脑计算领域的一个重要研究成果，深度卷积神经网络已经广泛应用到计算机视觉、自然语言处理、信息检索、语音识别、语义理解等多个领域，在工业界和学术界掀起了神经网络研究的浪潮，促进了人工智能的发展。卷积神经网络直接以原始数据作为输入，从大量训练数据中自动学习特征的表示。(As the important research achievement, deep convolutional neural networks have been widely applied to various fiel
MATLAB神经网络案例分析
- 用于刚刚学习人工智能算法，神经网络的初级学者，有助于了解(A junior scholar who has just learned artificial intelligence algorithms, neural networks, helps to understand)
Tensorflow-Tutorial-master
- TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。(TensorFlow is the second generation of artificial intelligence learning system dev
PRML 模式识别与机器学习 中文版
- 寻找数据中的基本规律，找出机器学习的规律。通过运行验收。(When a large feedforward neural network is trained on a small training set, it typically performs poorly on held-out test data.)
Reinforcement Learning：An Introduction
- 在这本书中，我们探索了一种从交互中学习的计算方法。我们不直接对人或动物如何学习进行理论分析，而是探索理想化的学习情境，评估各种学习方法的效率。也就是说，我们采用人工智能研究人员或工程师的角度。我们探索去设计在这些方面上格外有效率的机器，他能够解决科学或经济学领域的问题。通过数据分析和计算实验来评估这些设计。我们将这种方法称为强化学习，更侧重于目标导向的交互学习，而不是其他方法。(In this book, we explored a computational method of learnin
快速学习算法
- 该算法是一个主要针对人工智能神经网络中DBN网络的一种快速学习算法
机器学习教程
- 本书提供了机器学习中python编程的内容，可供机器学习、人工智能从业者学习使用
强化学习
- 本资源是香港科技大学教授讲授人工智能，强化学习有关内容和上课使用课件，具体可参考
国外教育人工智能研究主题及趋势分析
- 基于对 Web of Science文献关键词的可视化分析，梳理并呈现了国外教育人工智能的研究主题和研究趋 势。研究发现：首先，目前国外教育人工智能的研究现状可概括为四个主题领域，分别为基于自然语言处理的 教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究以及指向深度学习的自适应教育技术 研究；其次，国外教育人工智能研究呈现以下三个趋势：基于大数据的机器学习研究、深度学习理念引领下的 在线学习变革研究、智能识别技术支撑下的智能导师系统研究。
人工智能时代，什么是算力?
- 1997年，国际象棋名家卡斯帕罗夫象棋对弈IBM超级电脑深蓝，最后结果是大师输了。2016年，世界顶级围棋高手李世石与AI围棋对决，最后竟以1:4惨败于谷歌阿尔法狗。今年4月，AI电竞团队OpenAI Five与人类战队对决《dota》，2:0 完胜世界冠军OG战队。人工智能凭什么能够战胜人类?答案是AI背后的超级计算机算力。AI通过算力处理大量的相关数据，并以神经网络不断学习成长，最终获得技能，战胜人类选手。算力经济，算力时代，算力改变世界，算力驱动未来。现在很多领域都在谈论算力，到底什么是算
关于人工智能监控系统的影响应该知道的三件事
- 据IDC预测，全球数据圈将从2018年的33ZB增长到2025年的175ZB。数据的真正价值在于，决策者能够从相关数据中提取洞察与见解，并采取相关行动。人工智能(AI)和机器学习在数据分析中的应用预计将大幅增加。事实上，IDC表示，到2025年，认知系统所触及的分析数据量将增长100倍，高达1.4ZB。
人工智能技术的未来发展方向
- 尽管深度学习已经在人工智能领域做出重大贡献，但这项技术本身仍存在一项缺陷：需要大量数据的加持。深度学习领域的先驱者乃至批评者已经就此达成共识——事实上，正是由于可用数据量有限加上处理大规模数据的计算能力不足，才导致深度学习直到最近几年才成为AI层面的前沿技术。
人工智能技术的应用，实现IT自动化是许多企业的主要目标
- 人工智能和机器学习依赖于高价值数据，这意味着IT部门需要对其网络中发生的事情有适当的可见性。实现IT自动化仍然是许多企业的主要目标。当CIO面对不断减少的人员和日益复杂的IT需求时，必须从服务台和故障排除需求中重新部署资源，以应对更多战略挑战。但要实现这一目标，企业必须接受人工智能，以解决大规模自动化大型企业所需的海量数据和决策挑战。
关于人工智能在数据质量管理中的应用
- 说实在的，这个概念有些过于高大上，从大的方面包括、、强化学习等等，而深度学习又包括图像识别、语音识别、自然语言处理、预测分析;机器学习则包括监督学习、无监督学习、半监督学习，监督学习又细分为回归、分类、决策树等等。理论上人工智能什么都能做，什么都能迎合的上。
为什么说对象存储适合人工智能和机器学习
- 如今，各种类型的企业都致力于采用人工智能和机器学习项目，但要发挥其真正的潜力，则需要克服重大的技术障碍。虽然计算基础设施通常是重点，但存储设施也同样重要。以下是对象存储(而不是文件或块存储)适用在加强人工智能和机器学习工作负载的
对象存储适合人工智能和机器学习的原因
- 如今，各种类型的企业都致力于采用人工智能和机器学习项目，但要发挥其真正的潜力，则需要克服重大的技术障碍。虽然计算基础设施通常是重点，但存储设施也同样重要。以下是对象存储(而不是文件或块存储)适用
华泰证券人工智能系列
- 华泰证券人工智能系列研报 1-36 ，金融工程机器学习入门(Huatai Securities artificial intelligence series 1-36, introduction to financial engineering machine learning)