《中国人工智能学会通讯》——7.13 深度学习与分布式表示学习概览
7.13 深度学习与分布式表示学习概览 深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的有效表示，而这种使用相对较短、稠密的向量表示叫做分布式特征表示（也可以称为嵌入式表示）。本部分主要对于目前使用较广的一些学习算法进行一个简单的回顾。 首先介绍一些浅层的分布式表示模型。目前在文本领域，浅层分布式表示模型得到了广泛的使用，例如 wo....
《中国人工智能学会通讯》——7.11 深度学习在推荐算法上的应用进展
7.11 深度学习在推荐算法上的应用进展 最近几年是深度学习发展的黄金时间，其在多个领域取得了重要进展，包括图像领域、语音领域、文本领域等。深度学习为科研工作者提供了一种非常有效的技术途径，其本质上是对数据特征进行深层次的抽象挖掘，通过大规模数据来学习有效的特征表示以及复杂映射机制，从而建立有效的数据模型。从方法上来说，深度学习具有的优点本质上是领域无关的。因此，在可预见的未来，深度学习将会作为....
《中国人工智能学会通讯》——7.2 基于深度学习的自然语言处理
7.2 基于深度学习的自然语言处理 深度学习旨在模拟人脑对事物的认知过程，一般是指建立在含有多层非线性变换的神经网络结构之上，对数据的表示进行抽象和学习的一系列机器学习算法。该方法已对语音识别、图像处理等领域的进步起到了极大的推动作用，同时也引起了自然语言处理领域学者的广泛关注。 如图 1 所示，深度学习为自然语言处理的研究主要带来了两方面的变化，一方面是使用统一的分布式（低维、稠密、连续）向量....
《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....
DeepLearning.ai学习笔记（一）神经网络和深度学习--Week4深层神经网络
一、深层神经网络 深层神经网络的符号与浅层的不同，记录如下： 用\(L\)表示层数,该神经网络\(L=4\) \(n^{[l]}\)表示第\(l\)层的神经元的数量，例如\(n^{[1]}=n^{[2]}=5,n^{[3]}=3,n^{[4]}=1\) \(a^{[l]}\)表示第\(l\)层中的激活函数,\(a^{[l]}=g^{[l]}(z^{[l]})\) 二、前向和反向传...
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 3 总结与展望
3 总结与展望 本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。 （1）在线学习与增量学习。在实际产品中，用户数据实时到达，为了更好地提供服务，推荐系统模型需要能够实时、有效地刷新推荐列表，这对模型的在线学习和增量学习....
中国人工智能学会通讯——深度学习与推荐系统 2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning)
2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning) 作为早期使用神经网络进行评分建模的代表性工作，文献[42]使用限制玻尔兹曼机（RBM）学习交互函数，但该方法的近似优化算法较为费时[28]，且不易扩展到有辅助信息的情况。近期，我们在WWW2017上[6]提出了一个简单通用的基于神经网络的协同过滤框架（Neural ...
中国人工智能学会通讯——深度学习与推荐系统 2.1 深度特征抽取(Extracting Side Features with Deep Learning)
2.1 深度特征抽取(Extracting Side Features with Deep Learning) 图4总结了一系列工作使用深度学习进行特征抽取，并用于协同过滤的基本框架。介于深度学习技术抽取出的特征通常是相对较短、稠密的向量（也称为嵌入式表示，embedding），可以和基于隐向量的矩阵分解方法无缝结合，因此这类工作大都采用矩阵分解模型进行协同过滤。例如，文献[33]在音乐推荐任务....
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。
AI更多深度学习相关
- AI深度学习实践
- AI人工智能机器学习深度学习
- 构建AI深度学习
- AI深度学习优化实践
- 构建AI深度学习优化
- AI深度学习优化
- 深度学习AI驱动
- AI深度学习区别
- AI优化深度学习
- AI hinton深度学习
- 深度学习AI革命part
- AI人工智能深度学习关键词对照
- AI机器学习深度学习区别
- 学习记录AI深度学习
- 机器学习数据科学AI深度学习统计学区别
- AI从业者深度学习
- AI学习笔记神经网络深度学习
- yoshua bengio深度学习AI
- 深度学习项目AI
- AI英伟达深度学习
- 统一深度学习分布式通信框架弹性AI
- 深度学习教程AI应用实践策略
- 深度学习课程AI
- AI初学者入门指南深度学习五级分类
- 名校AI课程深度学习deeplearning
- 深度学习论文AI
- AI深度学习开源框架
- AI深度学习计算机视觉
产品推荐
阿里云机器学习平台PAI
阿里云机器学习PAI（Platform of Artificial Intelligence）面向企业及开发者，提供轻量化、高性价比的云原生机器学习平台，涵盖PAI-iTAG智能标注平台、PAI-Designer（原Studio）可视化建模平台、PAI-DSW云原生交互式建模平台、PAI-DLC云原生AI基础平台、PAI-EAS云原生弹性推理服务平台，支持千亿特征、万亿样本规模加速训练，百余落地场景，全面提升工程效率。
+关注