自上世纪50年图灵的一篇论文《机器人会思考吗?》开启人工智能的大门，人工智能的研究便一时成为科学、资本的热点，但先后经历几次大起大落。然而去年一场人机大战，再次掀起了一场全球人工智能热潮，至此AI吸引了无数企业参与，无需质疑，人工智能是当前科技界热门的事件

边缘计算对势头正盛的物联网的发展至关重要。近日，机器学习和数据科学咨询公司 Tryolabs 发布了一篇基准评测报告，测试比较了英伟达 Jetson Nano、谷歌 Coral 开发板、英特尔神经计算棒这三款针对机器学习设计的边缘计算设备以及与不同的机器学

企业正在进行人工智能试点，并正在将人工智能投入生产。这里是领先的组织正在下注的地方--并且已经看到了早期的结果。与IT相关的用例，如IT自动化、质量控制和网络安全，是人工智能技术较受欢迎的应用。但是专家们表示，随着技术的进步，这种情况将会改变，它正变得更容

6月15日，三位人工智能先驱Yoshua Bengio、Geoffrey Hinton与Yann LeCun在美国加州接受了2018年图灵奖的颁奖。这是有「计算机界诺贝尔奖」之称的图灵奖十年内第三次颁发给机器学习领域的研究者。颁奖委员会表示，三位学者因为在

在机器学习研究中，MNIST 手写数字图像数据集已经作为基准使用了二十余年。该数据集虽然经典，但也存在测试集过小等问题。近日，来自 Facebook 和纽约大学的研究者重建并扩展了该数据集，在测试集中新增了 50000 个样本。MNIST 作者之一的 Ya

梯度下降或最速下降法，是机器学习最为重要的模块之一。尤其是在深度学习时代，梯度下降已成为不可或缺的组成部分。但同时，梯度下降也限制了机器学习推广到更广泛的一些任务中，例如不可微的目标函数。这一缺陷，却正好能被本书的主题「演化学习」解决。最近，南京大学周志华

在这篇文章中，Jeff Dean 等人工智能大牛描绘了一幅机器学习在医疗领域的应用蓝图。先来看两个场景：。结果显示这是一种非癌性色素沉淀病变。这种框架强调机器学习不仅是像新药或者新的医疗器械这样全新的工具，而是一种基础技术，这种技术可以高效处理超出人类大脑

无模型强化学习方法能够用来学习复杂任务的有效策略，但通常却需要大量的交互，这也意味着更多的时间和更大的成本。本文尝试用基于模型的强化学习方法让智能体在雅达利游戏上达到相似的效果，并比较了几种模型架构。实验结果表明，仅需 10 万次智能体和环境之间的交互，基

在学习深度学习的过程中，我们常会遇到各种谣传，也会遇到各种想当然的「执念」。在本文中，作者总结了机器学习研究中常见的七大谣传，他们很多都是我们以前的固有概念，而最近又有新研究对它们提出质疑。所以在为机器学习填坑的生涯中，快自检这七个言传吧。这是因为，张量微

选自IEEE Spectrum，作者：Tekla S. Perry，机器之心编译，参与：Geek AI、路。在后摩尔定律时代，「现在是成为计算机架构师的最好时机」。2017 年图灵奖得主、加州大学教授、谷歌工程师、RISC 架构先驱 David Patte

本文作者将常用的损失函数分为了两大类：分类和回归。然后又分别对这两类进行了细分和讲解，其中回归中包含了一种不太常见的损失函数：平均偏差误差，可以用来确定模型中存在正偏差还是负偏差。选自towards data science，作者：Ravindra Par

近日由吴恩达与 Kian Katanforoosh 指导的 CS230课程已经结束并放出了课程资料。这一门课程结合 Coursera 课外教学与课内教学展示了深度学习的基本概念与完整结构，机器之心简要介绍了该课程及基本内容。该课程将以开放式的最终项目结束，

Logistic 回归是二分类任务中最常用的机器学习算法之一。它的设计思路简单，易于实现，可以用作性能基准，且在很多任务中都表现很好。因此，每个接触机器学习的人都应该熟悉其原理。Logistic 回归的基础原理在神经网络中也可以用到。在这篇文章中，你将明白

2 月 3 日，来自 MIT、UC Berkeley 的 Athalye 等人宣布其研究攻破了 ICLR 2018 大会的接收论文中的 7 篇有关防御对抗样本的研究。之前，轻微扰动导致停车标志被无视、把熊猫认成长臂猿、把校车认成鸵鸟等等各种案例层出不穷。那

本论文对强化学习顶尖试验结果的复现性进行了详细的探讨，并讨论了超参数和随机种子等变量对强化学习模型复现性的重要影响。除此之外，作者还对复现实验所面临的挑战和实验技巧做出了详细的论述。机器之心简要介绍了该论文。近年来，深度强化学习被用于解决很多领域中的难题，

根据 KDnuggets 2017 年最新调查，Python 生态系统已经超过了 R，成为了数据分析、数据科学与机器学习的第一大语言。本文对 KDnuggets 的此项调查结果做了介绍，并补充了一篇文章讲解为何 Python 能成为数据科学领域最受欢迎的语

有时候在学习神经网络教程时，我们通常会看到有的实验似乎理所当然地就选定了某种神经网络架构以及特定的网络层数、激活函数、损失函数等等，却没有解释原因。比如在网络的层数和优化器的学习率选择上，我们通常都遵循标准。近日，机器学习开发者兼饶舌歌手 Alex Hon

人工智能的故事可以回溯到 1956 年，新罕布什尔州汉诺威的达特茅斯学院的计算机狂热爱好者组织了一个小型研究小组。最初那些雄心勃勃的，被认为能够创造具有智能、感知的机器的项目，却并不是一帆风顺。人工智能的发展，历经起伏。然而，在人工智能创立六十多年后的今天

继 Google、Facebook 纷纷高调宣布自己是「人工智能公司」后，前日的苹果 WWDC 开发者大会上，各类融合了机器学习与人工智能的产品第一次清晰表明了苹果在人工智能领域的蓝图。至此，「人工智能」正式成为科技巨头们高调比拼的角力场。在这样的浪潮之下

GMIS 2017 大会第一天安排了两场主题演讲，一是「LSTM 之父」& Dalle Molle 人工智能研究所副主任 Jürgen Schmidhuber 所带来的脑洞大开、未来感十足的《True Artificial Intellig