
用Transformer定义所有ML模型,特斯拉AI总监Karpathy发推感叹AI融合趋势
特斯拉 AI 总监 Andrej Karpathy 连发多条推文表示,AI 不同领域(视觉、语音、自然语言等)正在打通,融合速度令人惊叹。今日,特斯拉 AI 总监、Autopilot Vision 团队领导人 Andrej Karpathy 在推特上发文,对 AI 领域正在进行中的融合(consol...

【沙龙分享】记录一下AI/ML/元宇宙在游戏领域中的落地场景
去年7月参加了一场关于元宇宙和机器学习的沙龙,主要听了Amazon 云科技的一位老师关于游戏和ML落地实践案例的分享。AI/ML在游戏中的落地场景分享老师一开讲我就莫名地有兴趣,于是也全程站起来听着(在最后一排),具体内容这里不说了(也都忘了),这里简单聊聊顺便记录一下“听后感”吧由于没有做笔记,以...

AI遮天传 ML/DL-感知机
感知机的出现是人工智能发展史一大重要里程碑,其后才诞生了:多层感知机、卷积神经网络等一系列的经典网络模型。在我看来,它虽然是深度学习领域的一大开端,但本身解决的只是线性二分类问题,它本身与机器学习经典模型线性SVM有着一些相似度。又如Logistic sigmoid函数,也可以解决二分类问题,且这时...

AI遮天传 ML-广义线性模型(一)
前文回顾:还记得很久很久以前,我们学习了简单的回归分析,这其实与我们在学校所学的求解回归方程并没无太大的区别,或许仅是维度不同。我们当时通过定义损失函数,让损失函数结果最小,来达到更好的回归效果。多种损失函数都是可行的,考虑到优化等问题,最常用的是基于误差平方和的损失函数:...

AI遮天传 ML-决策树(二)
一、回顾决策树 以下是回顾内容,建议无基础的小伙伴从上方连接看起。 1.1 基础认识 在过去学习的日子里,我们简简单单认识了决策树:想象一个已经生成好了的树状的结构,假如今天:天气(晴)-->温度(正常)-->湿度(正常)-->风力(小) ,那么我们出...

AI遮天传 ML-集成学习
把多个人的智慧集合到一起,可能会比一个人好,放在机器学习上,我们借鉴这一经验,把融合多个学习方法的结果来提升效果的方法,我们叫做:Ensemble learning 集成学习。一、集成学习简介假设我们有三个样本,h1、h2、h3代表三个分类器,预测结果如下:对于上图这种结...

AI遮天传 ML-无监督学习
一、无监督学习介绍 机器学习算法分类(不同角度):贪婪 vs. 懒惰参数化 vs. 非参数化有监督 vs. 无监督 vs. 半监督 ......什么是无监督学习?(unsupervised learning)解释 1有监督:涉及人力(human label)的介入无监督:不牵扯人...
AI遮天传 ML-回归分析入门
相信大家初高中都学习过求解回归线方程,大学概率论的第九章也有讲,忘记了也不要紧,这里简单回忆一下:线性回归方程为:我们可以先求出x、y的均值: ...

AI遮天传 ML-初识决策树
一、决策树学习基础(比较简单,一带而过) 例:享受一种运动 对于新的一天,是否可以去享受运动?适用决策树学习的经典目标问题带有非数值特征的分类问题离散特征没有相似度的特征无序另一个例子:水果颜色:红色、绿色、黄色大小:小、中、大形状:球形、细长味道&...
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。