人类一直对于与自己相仿的机器人、以及人工智能的概念饶有兴致。好莱坞电影和科幻小说也一直启发着科学家们向着此方向不断努力。虽然AI的泡沫曾经破灭了多次，但是近年来，一些重大的发展与突破又一次将该领域带回到了公众面前。在 2017年，Gartner将通用AI放

知识图谱，旨在描述客观世界概念、实体、事件及其之间关系，具备可解释性，而且可以用于解决复杂决策问题。这也意味着通过深度学习与知识图谱的结合，模型底层特征空间与人类自然语言之间巨大的语义鸿沟问题有望得以解决。在大数据和机器学习两大引擎下，大规模知识图谱的自动

作者 | 琥珀出品 | AI科技大本营此前营长为大家分享过不少机器学习相关数据集的资源，例如 Mozilla 的 1400 小时开源语音数据集；ApolloScape 的大规模自动驾驶数据集；腾讯 AI Lab 的 “Tencent ML-Images”

机器学习和人工智能是什么关系？监督学习、非监督学习、强化学习机器学习实操的7个步骤机器学习、人工智能、深度学习是什么关系？1956 年提出 AI 概念，短短3年后 Arthur Samuel 就提出了机器学习的概念：。Field of study that

AI技术年度盛会即将开启！11月8-9日，来自Google、Amazon、微软、Facebook、LinkedIn、阿里巴巴、百度、腾讯、美团、京东、小米、字节跳动、滴滴、商汤、旷视、思必驰、第四范式、云知声等企业的技术大咖将带来工业界AI应用的最新思维。

深度学习发展势头迅猛，但近两年涌现的诸多深度学习框架让初学者无所适从。在这其中，TensorFlow 作为最为著名的用于深度学习生产环境的框架，它有一个非常强大的生态体系支持，然而，相比其他框架，TensorFlow 也有其劣势，如速度较慢、使用上手难。而

几乎每周，人工智能深度学习，总会在某个领域有新的技术突破，新的亮眼成果出来。要知道，他们目前所使用的一整套工具和架构，和深度学习社区里面所给出的这些架构，中间是有断层的。为了解决这个问题，降低这些人群使用深度学习的门槛，使他们能在现有的Hadoop、Spa

通过深度学习技术，物联网设备能够得以解析非结构化的多媒体数据，智能地响应用户和环境事件，但是却伴随着苛刻的性能和功耗要求。本文作者探讨了两种方式以便将深度学习和低功耗的物联网设备成功整合。新兴的物联网设备采用了更加复杂的深度学习技术，通过神经网络来探索其所

本文授权转自阿萨姆、许韩的知乎问答和文章，AI科技大本营整理。对于这个话题最为关注的，莫过于研究生毕业的孩纸，和有两、三年工作经验的孩纸。一位有着两年工作经验的机器学习算法人告诉AI科技大本营。

相信吴恩达公布新项目之一——在线课程已经刷遍朋友圈了，顺带的，连他的生平背景也顺便给缕了一个遍了，AI科技大本营就不凑这个热闹了。不过，本着一丝不苟出产干货的原则，今天，我们要来扒一扒，这个课程到底肿么样？因为吴恩达课程的第四、第五门，也就是 CNN 和

找资料也是门学问，别抓着机器学习就一拥而上。工程师小张，希望能在自己的软件项目中加入机器学习。而经理老王，则希望在量化交易中，更多借助机器学习的强大，来处理交易，从而占据市场先机。老王有着多年的编程经验，小张则是多年的开发经验。这些教材，对于有4年数学基础

最近开始学习深度学习技术，特别是google的Tensorflow深度学习包开源后，深度学习已经成为大数据领域的重大计算革命，配合Teras顶层框架，使得Deep learning的学习成本降低。目前Deep learning技术应用越来越广，一切数据都是

在本篇教程中，我们会先提出要解决的问题，然后再利用名为朴素贝叶斯分类器的机器学习技术解决相应的问题，非常简单。本篇教程需要读者具备编程和数据方面的相关经验，但不必具备机器学习方面的经验。最近，垃圾邮件问题十分棘手并且已经导致部分客户流失。但是，这种做法会带

Google Cloud Next'17 大会刚刚宣布了对 Kaggle 的收购，就启动了总奖金额高达200万美元的谷歌云机器学习初创大赛。看来不但机器学习的关注度正在节节高升，而且“竞赛”这样的模式也成为初创团队出人头地的一个越来越重要的选项。不妨一起来

本文主要围绕的是谷歌公司在机器学习方面的经验，旨在为那些具备一定机器学习基础的读者提供最佳的经验法则。文章向读者展现机器学习经验法则的方式，与谷歌 C++ 风格指南以及其它流行的编程实践指南相类似。如果你曾上过机器学习的相关课程，或者曾构建或研究过机器学习

本篇博文将向大家演示，如何在仅仅运用78行代码的情况下，利用 Keras 和 Gym 实现深度强化学习，使得 CartPole 这款游戏得以成功运行。即使你不知道强化学习是什么也没关系，我会在文章中给出详细的介绍。如上图所示，大脑表示作用于环境的 AI a

本文的两位作者分别是杜克大学电气工程博士后和莱斯大学电气与计算机工程系博士生，他们正在参加在纽约数据科学院举办的在线数据科学训练营计划。这篇文章是他们为其参与的“机器学习”课程而编写的。他们选择了 Kaggle 竞赛中关于房价预测的题目。在大概两周内，他们

本书采用独创的黑箱模式，MBA案例教学机制，结合一线实战案例，介绍Sklearn人工智能模块库和常用的机器学习算法。书中配备大量图表说明，没有枯燥的数学公式，普通读者，只要懂Word、Excel，就能够轻松阅读全书，并学习使用书中的知识，分析大数据。首次系

编程是数据科学的一个组成部分。事实上，理解编程逻辑、循环和函数的人更有可能成为成功的数据科学家。但那些在学校里从未学习过编程的人怎么办？近年来，随着数据科学的蓬勃发展，许多人都有兴趣进入这个领域。但对编程却一筹莫展。许多公司最近推出了GUI驱动的数据科学工