深度学习

一个深度学习专家无法与人工智能专家划上等号。

和人类不同，AI物体识别靠的是小的细节，而不是图像的边界，但是总是有办法来弥补这个差别的！

预训练模型用起来非常容易，但是你是否忽略了可能影响模型性能的细节呢。

与人工智能相关的同类犯罪已经造成了第一个受害者，这一事实应该引起关注。

很多人问我如何开始机器学习和深度学习。在这里，我整理了一个我使用过的资源列表，以及我第一次学习深度学习时所走过的路。

信息论是对深度学习和人工智能做出重要贡献的一个重要领域，但很多人对信息论知之甚少。信息论可以看作是深度学习的基本组成部分：微积分、概率和统计学的复杂组合。

2019的MIT的最新深度学习教程，内容包括神经网络解决计算机视觉、自然语言处理、游戏、自动驾驶、机器人等领域问题的基础知识。来一睹为快吧！

这10个算法（方法）可以说是目前深度学习中非常基础和出镜率非常高的算法和方法，关键是非常的有效，一起来看看吧！

大家都遇到过这种情况，训练的时候没什么问题，测试的时候就不对劲了，想找问题，感觉无处入手，那么今天，给你37个建议，看看再说吧。

感受野可能是卷积神经网络(CNNs)中最重要的概念之一，值得更多的关注。

这篇文章是对Bag of Tricks for Image Classification with Convolutional Neural Networks中分享的思想的概述和我自己的一点思考。

我们真的知道什么是人工智能吗？我们真的准备好与人工智能共同发展了吗？

CCAI 2017《自然语言处理的十个发展趋势》演讲实录摘编。

在本教程之后，您将能够在您选择的任何图像数据集上构建和训练图像识别器，同时充分了解底层模型架构和训练过程。

随着理论和技术的进步，我们将在未来看到许多混合模型。因此，数学建模和机器学习建模也应当是“合作关系”，而非“竞争关系”。