人工智能

机器学习资源

深度学习在视觉领域取得了巨大的成功，即便如此，深度学习在视觉上仍然有很多的局限性，这篇文章从深度学习的历史开始说起，阐述了深度学习在视觉上的局限性，并给出了一些可能的方案。

黑人女性报错率比白人高20%，面部识别系统为何不能一视同仁？

理解滑动平均，指数平滑，平稳性，自相关性以及SARIMA等等。

来自github的非常有针对性的深度学习资源，和其他的资源不同，既照顾了通用性，又照顾了不同的领域，覆盖非常广，非常的全面，有论文，有代码，有书，有博客，还有课程。

聚类作为一种无监督技术，在很多的场合非常的有用，今天給大家介绍5个非常常用的聚类算法，以及各自的优缺点。

想找个数据科学家的工作吗？

决策树知道吗，就是XGBoost，LightGBM中用的那种啊？

深度学习为何如此成功呢？

我们描述了最近提出的随机加权平均(SWA)技术，以及它在 torchcontrib中的新实现。

这篇文章从Bootstraping开始介绍，让你听懂什么是Boosting，什么是Bagging。

自从大家知道我是做人工智能的以后，亲戚朋友经常会有人问我，什么是AI，什么是机器学习，什么是深度学习。

在这篇文章中，我将主要关注图像恢复的任务，以及如何使用deep image prior来解决这个任务。

最近，在谷歌东京事务所的发布会上，就有这么一个神器亮相，它能帮助你快速识别“古草体”文字，阅读“古草体”书籍也完全不在话下！

尽管科幻小说的繁荣源于我们对机器人恶意接管的恐惧，但智能设备绝不是反乌托邦的——它们的存在实际上是为了让我们的生活更轻松，这样我们才能把更多的时间花在重要的事情上，而不是单调乏味的忙碌工作。