在DLC中使用EPL实现训练加速
EPL（Easy Parallel Library）是高效易用的分布式模型训练框架，深度集成多种训练优化技术，提供了简单易用的API实现各种并行化策略。您可以使用EPL实现低成本、高性能分布式模型训练。本文为您介绍如何在DLC中使用EPL高效地进行分布式TensorFlow训练。前提条件在开始执行操...
《中国人工智能学会通讯》——6.4 基于深度学习的知识图谱构建
6.4 基于深度学习的知识图谱构建 随着深度学习在自然语言处理领域应用的不断深入，人们也开始尝试将深度神经网络用于知识图谱的自动构建。在此，以实体和关系的表示学习技术为基础，讨论深度学习在命名实体识别、关系抽取、关系补全等任务上的应用。 命名实体识别 命名实体识别是从文本中提取出和人名、地名等特定的短语或名称的任务。早期的命名实体识别主要基于规则和词典来进行，对规律性较强的文本环境较为适合，但难....
《中国人工智能学会通讯》——2.27 利用深度学习改进统计机器翻译
2.27 利用深度学习改进统计机器翻译 利用深度学习改进统计机器翻译的核心思想是以统计机器翻译为主体，使用深度学习改进其中的关键模块，如语言模型[1] 、翻译模型 [2] 、调序模型 [3] 、词语对齐[4]等。 深度学习能够帮助机器翻译缓解数据稀疏问题。以语言模型为例。语言模型能够量化译文的流利度，对译文的质量产生直接的重要影响，是机器翻译中的核心模块。传统的语言模型采用 n-gram方法，通....
《中国人工智能学会通讯》——2.26 基于深度学习的机器翻译研究进展
2.26 基于深度学习的机器翻译研究进展 机器翻译研究如何利用计算机实现自然语言的自动转换，是人工智能和自然语言处理的重要研究领域之一。机器翻译大致可分为理性主义和经验主义两类方法。 基于理性主义的机器翻译方法 , 主张由人类专家通过编纂规则的方式 , 将自然语言之间的转换规律“传授”给计算机。这种方法的主要优点是能够显式描述深层次的语言转换规律。然而，理性主义方法对于人类专家的要求非常高，不仅....
《中国人工智能学会通讯》——6.23 Yoshua Bengio: 深度学习崛起带来人工智能的春天
6.23 Yoshua Bengio: 深度学习崛起带来人工智能的春天 20 世纪 50 年代，计算机开始在象棋领域战胜人类，证明数学定理，让人类狂喜不已。60 年代，人们越来越希望，不久以后，科学家就能用硬件和软件复制人类大脑，“人工智能”可以完成任何任务，其表现不逊于人类。1967 年，今年年初逝世的麻省理工学院教授 Marvin Minsky（MIT 人工智能实验室的联合创始人，人工智能先....
《中国人工智能学会通讯》——1.40 深度学习
1.40 深度学习 罗曼·扬波利斯基是路易斯维尔大学网络安全实验室主任。他认为，2016 年，我们将看到卷积神经网络（深度学习）领域的迅速发展，超级计算机的使用将使这个领域成为 2016 年人工智能发展的重点。 浅层学习是机器学习的第一次浪潮，主要是计算机系统从大量训练样本中学习统计规律，对未知事件做预测，实际上这种人工神经网络只是一种浅层模型。 深度学习是指通过构建多层的机器学习模型和海量训练....
中国人工智能学会通讯——迎接深度学习的“大”挑战(上)
摘要： 本部分主要介绍了近年人工智能所取得的应用成果、什么是深度神经网络以及它所带来的挑战等问题。 为什么要讲这个题目呢？深度学习这几年改变了很多行业的状态，今天上午张老师应该也讲了很多关于神经网络的话题，包括怎么学习深度神经网络的结构。今天我会从另一个角度看一看深度学习到底有哪些挑战，这些挑战怎么用学术研究的方式加以解决。 微软亚洲研究院介绍 在此之前，我准备了两张PPT，介绍一下微软亚洲研究....
中国人工智能学会通讯——深度学习与推荐系统 2 深度学习在推荐系统的应用
2 深度学习在推荐系统的应用 深度学习指代多层级的人工神经网络，近年来在语音识别、计算机视觉和自然语言处理等领域取得了巨大成功[32]。根据深度学习技术在推荐系统中的应用方式，将相关工作大体分为两类：①作为一种基于数据的表征学习的方法，深度学习技术可以从语义较为丰富的输入数据（如语音、图片、文本等）中抽取出有效的特征表示，以方便下游应用，如检索和推荐等[11,14,17,33-40 ]；②作为一....
中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)
1.2 基于特征的推荐 (Feature-based Recommendation) 协同过滤只考虑用户与物品的交互历史，本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息，以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向量作为输入，用于预测目标评分值。图3为一个输入数据表示的实例。 在将数据表示为特征向量到目标值的.....
中国人工智能学会通讯——基于视频的行为识别技术 1.5 基于深度学习的视频识别方法
1.5 基于深度学习的视频识别方法 下面介绍面向视频分类的深度学习方 法。深度卷积神经网络在图像分类取得 成功后，研究人员就希望把它推广到视 频分类中。但这不是一件很容易的事， 一个原因是缺乏足够的训练数据。为此， 谷歌和斯坦福的研究人员开发了 Sports-1 M 数据库，包含 100 万段视频，有 487 类各种各样的运动，这是一个相当大的 数据库。同时他们改进了传统卷积神经 网络，用于处理....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注