最近，「区块链」、「联邦学习」等概念受到了空前的关注。而在这些概念背后，少不了一项技术的影子——「同态加密」。本文介绍了使用 Julia 语言进行基于同态加密数据机器学习的全过程，对于入门者具有极大的参考价值。请不要将文中的任何示例用于生产应用程序。也就是

深度学习领域的大师Yann LeCun表示，AI的下一个发展方向可能是摒弃深度学习的所有概率技巧，转而掌握多种变化的能量值。据说有一些工程师和科学家，可以在他们的脑海中想象出那些尚未变成现实的构思，Facebook的AI主管Yann LeCun就是这种人。

8月下旬，在肯尼亚内罗毕一棵胡椒树下，数百名AI从业者正闲聊着他们的算法。这似乎不是多数人印象中的非洲。过去三年，来自非洲大陆各地的学者和行业研究人员终于有了一个属于自己的聚集地：一个名为“Deep Learning Indaba”的会议。这一会议汇集了来

人类思维具备一种将特定事件与其原因联系起来的超凡能力。上至选举结果下至物体落地，人们不断将导致某种特定结果的一系列事件串联起来。神经心理学将这种认知能力称为因果推理。多年来，机器学习领域产生了许多因果推理方法，但是绝大多数难以在主流应用中使用。本文介绍了微

不知不觉已经和小伙伴一起努力了一个多月啦。上周日第四次课程结束之后，王老师就把fastai的课程体系讲解的差不多了。5月26日，也就是这周日，我们将在清华数据科学研究院开启了北京School of AI的第五次课程。这次课程也是知识点讲解的最后一次课程。这

呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！AI Scholar Weekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯。谷歌研究人员最近将一种基于学习的

自深度学习崛起以来，AI 芯片成为了科技领域的一大热点。作为该领域的独角兽，寒武纪科技一直受到海内外的极大关注。最新一期的 INTERFACE 线下技术分享，我们邀请到了寒武纪研究院院长杜子东博士，他将为我们介绍寒武纪最新提出的分形冯诺依曼机器学习计算机。

MLPerf 是一项机器学习公开基准，展示了每个参与机构在特定任务上利用自有资源所能达到的最佳性能。该基准于今年 5 月启动，已经得到了来自 30 多个公司的研究者和科学家的支持，包括英特尔、英伟达、百度和谷歌等。此外，MLPerf 还获得了来自 7 所高

谈及机器学习，「对抗样本」这个词，应该已经不再陌生。而对抗性样本攻防赛，或许你还是第一次听说。为了加快对抗样本的研究，作为全球首个关注人工智能与专业安全的前沿平台，GeekPwn2018将创新性地设置CAAD 对抗样本攻防赛，针对图像识别领域的对抗攻击与防

机器学习算法虽多，却没有什么普适的解决方案。决策树、随机森林、朴素贝叶斯、深度网络等等等等，是不是有时候觉得挑花了眼呢？福利来啦~本文将教你慧眼识精，快速挑选出满意的算法！事实上，有几个因素会影响你对机器学习算法的选择。此外，我们在选择机器学习算法时所做出

当时时间 3 月 30 日，谷歌 TenosrFlow 开发者峰会 2018 在美国加州石景山开幕，来自全球的机器学习用户围绕 TensorFlow 展开技术演讲与演示。去年的 TensorFlow 开发者大会上，该框架正式升级到了 1.0 版本，逐渐成为

有效的无监督学习方法能缓解对有标注数据的需求，无监督学习技术与视觉感知领域的结合也有助于推动自动驾驶等高价值技术的发展。近日，商汤科技的一篇 CVPR 2018 论文提出了一种可以联合学习深度、光流和相机姿态的无监督学习框架 GeoNet，其表现超越了之前

90% 的 AI 设备都是用 Arm 的架构设计的，现在 Arm 在人工智能领域厚积薄发，发布了 Trillium 项目，包括一款为移动设备而设计的机器学习处理器、一款目标检测处理器和一个神经网络软件库。Arm 是一家英国芯片知识产权提供商，以 CPU 和

模仿学习是学习器尝试模仿专家行为从而获取最佳性能的一系列任务。目前主流方法包括监督式模仿学习、随机混合迭代学习和数据聚合模拟学习等方法。本论文全面概述了当前的模拟学习算法及其收敛性保障，有助于读者深入了解这一领域。模仿学习能够处理这些未探索到的状态，所以可

从 CoreML 到自动驾驶汽车，苹果的新技术探索在形成产品之前通常都会处于接近保密的状态，直到去年 12 月底，他们才以公司的名义发表了第一篇机器学习领域里的学术论文，介绍了自己在改善合成图像质量方面的研究。最近，这家以封闭而闻名的科技巨头突然宣布将以在

取代了手动编程，机器学习是一种帮助计算机发现数据中的模式和关系的科学。对于创建个人的和动态的经历来说，它是一种强有力的工具。就像手机和之前的网络革命一样，机器学习使我们重新思考、重组结构，它将取代并对之前所有我们之前建立的体验带来全新可能性。如果你刚开始使

「无监督学习」现在已经成为深度学习领域的热点。最近，在德国的图宾根，机器学习夏训营正在如火如荼地进行，其中来自 CMU 的 Ruslan Salakhutdinov 教授就带来了很多关于「无监督学习」的精彩内容。今天机器之心给大家分享的正是其课件中有关「无

答案不是只有一次。通常，我们在实际的数据科学工作流中两次使用机器学习模型验证指标:. 在为任务y设置所有特征X后，您可以准备多个机器学习模型作为候选。在您选择了一个准确度最好的机器学习模型后，您将跳转到超参数调优部分，以提高精度和通用性。在本文中，我试图制

CatBoost基于梯度增强，是Yandex开发的一种新的机器学习技术，其性能优于许多现有的增强算法，如XGBoost、Light GBM等。然而，像XGBoost这样的增强算法需要数小时的训练，有时在调优超参数时会感到沮丧。CatBoost易于实施且功能

五月份，来自哥伦比亚大学和理海大学的几位研究者的论文《DeepXplore: Automated Whitebox Testing of Deep Learning Systems》提出了一种深度学习系统的自动白箱测试方法 DeepXplore，参阅机器之