高斯进程已经存在了一段时间，但它只是在过去5-10年，有一个大的复苏，其兴趣。部分原因是求解的计算复杂：由于他们的模型需要矩阵反转，复杂性是 O，很难更快地获得。高斯过程最酷的特征之一是它们非常非常相似的神经网络。中央极限定理可以统一明显复杂的现象，在这

我是一个AI神经元，刚刚来到这个世界上，一切对我来说都特别新奇。之所以叫这个名字，是因为我的工作有点像人类身体中的神经元。很快我和隔壁工位的大白开始混熟了，他比我来得早，对这里要熟悉的多。在大白的指引下，我很快就学会了怎么工作。说到这里，我突然想到一个问题

近日，研究人员利用基于神经网络的新算法，成功模拟了量子系统的“稳态”。利用神经网络估计并模拟波函数和密度矩阵，大大降低了计算复杂度和算力需求，为解决量子科学和信息领域的几个突出问题打下了基础。即使是在日常生活中，大自然也受到量子物理定律的支配。但是当涉及到

深层强化学习近年来在人工智能方面取得了令人瞩目的进步，在Atari游戏、围棋及无限制扑克等领域战胜了人类。通过将表征学习与奖励驱动行为相结合，深层强化学习又引发了心理学和神经科学领域的诸多讨论。不过，深度强化学习过程往往需要大量的训练数据。正因如此，多数人

谷歌最近推出的“深度学习速成课程”很火，虽然这门课程是为没有任何机器学习经验的初学者设计的，但已经跨过“初学者”门槛的专业人员也能在课程中得到启发，验证自己的理解。本文是知乎用户mileistone的课程总结。模型会拟合到测试集以下是该课程 “检查你的直觉

如何向5岁小朋友解释神经网络？Reddit有位叫做kouhoutek的大咖给出了一个超棒的答案，获得了200+条评论，6700+点赞，还吸引来了各种技术大牛的互相讨论！类似的还有，你会听到来自不同“节点”的不同音量的叫声：“它颜色很深！”，“它是红色的！”

程健研究员团队最近提出了一种基于哈希的二值网络训练方法，揭示了保持内积哈希和二值权重网络之间的紧密关系，表明了网络参数二值化本质上可以转化为哈希问题，在ResNet-18上，该方法比当前最好方法的精度提高了3%。近年来，深度卷积神经网络已经深入了计算机视觉

想象一下，一个应用程序可以实时分析用户在与应用程序或网站交互时的情绪反应，或者想象一下一个应用程序可以识别的家庭电视并调到你最喜爱的电视频道，其实这些都与面部识别技术有关。面部识别技术并不新鲜，但预计未来几年会有新的增长机会，推动进步的主要因素是在各种商业

在铁器时代，对铁器的改进很受欢迎；正如今年CVPR上大神Kaiming He和Xiaolong Wang 的文章试图改进神经网络工具去“开垦”视频分析 这片土地。最直觉的做法是先用cnn，再用擅长时间序列的rnn；或者，直接用3D卷积去做。而实际情况是直接

卷积神经网络是一组深层网络，它可以利用数据（如图像）的空间结构来了解数据，从而使算法可以输出一些有用的信息。例如，如果给CNN一个人的图像，这个深度神经网络首先需要学习一些局部特征。然后，CNN将查看给定图像中存在的局部特征，然后生成特定的激活模式，该激活

过去几十年来，我们经历了一系列与信息相关的根本性变化与挑战。时至今日，信息的获取已经不再成为瓶颈; 事实上，真正的难题在于如何消化巨大的信息量。相信每位朋友都有这样的切身感受：我们必须阅读更多内容以了解与工作、新闻以及社交媒体相关的热门资讯。为了解决这一挑