動態(tài)
-
發(fā)布了文章 2022-10-30 00:37
凱文.凱利：未來12個趨勢（值得一讀）
作者：凱文.凱利，代表作：《失控》、《必然》來源：美中科教（ID：ACSEF111）以下為凱文·凱利最精彩的演講內(nèi)容跟30年后的我們相比，現(xiàn)在的我們就是一無所知，必須要相信那些不可能的事情，因為我們尚處于第一天的第一個小時——開始的開始。我想講一講未來20年的技術(shù)走向。技術(shù)都會有一個前進的方向，我把它叫做必然，就是這個趨勢像重力一樣，一定會發(fā)生。比如有了芯片516瀏覽量 -
發(fā)布了文章 2022-10-19 05:24
機器學(xué)習(xí)模型的集成方法總結(jié)：Bagging, Boosting, Stacking, Voting, Blending
來源：DeepHubIMBA作者：AbhayParashar機器學(xué)習(xí)是人工智能的一個分支領(lǐng)域，致力于構(gòu)建自動學(xué)習(xí)和自適應(yīng)的系統(tǒng)，它利用統(tǒng)計模型來可視化、分析和預(yù)測數(shù)據(jù)。一個通用的機器學(xué)習(xí)模型包括一個數(shù)據(jù)集(用于訓(xùn)練模型)和一個算法(從數(shù)據(jù)學(xué)習(xí))。但是有些模型的準(zhǔn)確性通常很低產(chǎn)生的結(jié)果也不太準(zhǔn)確，克服這個問題的最簡單的解決方案之一是在機器學(xué)習(xí)模型上使用集成學(xué)習(xí)978瀏覽量 -
發(fā)布了文章 2022-10-19 05:23
IDC：2022年智能汽車市場研究
來源：IDCIDC將智能汽車市場定義為∶利用互聯(lián)網(wǎng)、loT、人工智能、移動通信、云計算等技術(shù)，與汽車及交通基礎(chǔ)設(shè)施相關(guān)的公司、產(chǎn)品和服務(wù)所組成的生態(tài)系統(tǒng)。報告從需求端與供給端兩個角度分析自動駕駛、新能源車、智能網(wǎng)聯(lián)幾個領(lǐng)域的發(fā)展現(xiàn)狀。被訪者為過去1年內(nèi)購車的車主或計劃未來1年內(nèi)購車的潛在車主，對智能網(wǎng)聯(lián)、自動駕駛、新能源車幾個概念擁有基本認(rèn)知。從結(jié)果來看，T841瀏覽量 -
發(fā)布了文章 2022-10-19 05:19
Imagination官方信息速遞2022年9期
研討會回放|Imagination+百度飛槳模型部署實戰(zhàn)不久前，由Imagination和百度飛槳聯(lián)合舉辦的在線研討會吸引了不少開發(fā)者和從業(yè)者們的關(guān)注，他們有的來自芯片行業(yè)，有的專注于AI開發(fā)，還有的是高校的教師和學(xué)生……相信此次研討會讓他們更加了解了在Imagination硬件上部署飛槳模型的工作流程。技術(shù)文章Imagiantion神經(jīng)網(wǎng)絡(luò)加速器與Visi523瀏覽量 -
發(fā)布了文章 2022-10-19 05:17
Imagination PowerVR架構(gòu)30年：從世嘉游戲機，到芯動桌面顯卡
來源：電子工程專輯作者：黃燁鋒今年是Imagination的PowerVR架構(gòu)誕生30周年——電子工程專輯最近特別采訪了Imagination，以期了解這段頗具傳奇色彩的架構(gòu)歷史。Imagination告訴我們1992年P(guān)owerVR剛剛誕生之時，公司還叫作VideoLogic——這家公司創(chuàng)立至今已經(jīng)有37年的歷史了。翻看GPU發(fā)展史，Imagination1k瀏覽量 -
發(fā)布了文章 2022-10-19 05:16
我傻眼了：一個完全由 AI 生成的播客，采訪了喬布斯
作者|黃楠、施方圓編輯|陳彩嫻最近大火的生成式AI又有新動作了！在podcast.ai推出的第一集播客節(jié)目里，已故的喬布斯竟然“死而復(fù)生”成為首位嘉賓，與美國知名播客主持人JoeRogan進行了一場長達(dá)20分鐘的對話，討論了關(guān)于喬布斯的大學(xué)、對計算機的看法、工作狀態(tài)以及信仰等等。是不是聽起來有些毛骨悚然？事實上，這段采訪是由文本生成音頻實現(xiàn)的，屬于AIGC中570瀏覽量 -
發(fā)布了文章 2022-10-19 05:14
機器學(xué)習(xí)也將解決量子問題
作者：CHARLESQ.CHOI來源：IEEE電氣電子工程師當(dāng)量子計算機執(zhí)行可能導(dǎo)致下一代電池或新藥的復(fù)雜物理和化學(xué)模擬時，它可能比任何傳統(tǒng)超級計算機強大得多。然而，可能需要很多年才能實現(xiàn)實用和廣泛的量子計算。現(xiàn)在，一項新的研究發(fā)現(xiàn)，機器學(xué)習(xí)現(xiàn)在可以為計算機視覺、語音識別等提供動力，在量子計算機擅長的任務(wù)種類上，它也可以證明比普通計算機好得多。這些發(fā)現(xiàn)表明，540瀏覽量 -
發(fā)布了文章 2022-10-19 05:12
-
發(fā)布了文章 2022-10-19 05:11
訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的常用5個損失函數(shù)
作者：Onepagecode來源：DeepHubIMBA神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時的優(yōu)化首先是對模型的當(dāng)前狀態(tài)進行誤差估計，然后為了減少下一次評估的誤差，需要使用一個能夠表示錯誤函數(shù)對權(quán)重進行更新，這個函數(shù)被稱為損失函數(shù)。損失函數(shù)的選擇與神經(jīng)網(wǎng)絡(luò)模型從示例中學(xué)習(xí)的特定預(yù)測建模問題（例如分類或回歸）有關(guān)。在本文中我們將介紹常用的一些損失函數(shù)，包括：回歸模型的均方誤差損失874瀏覽量 -
發(fā)布了文章 2022-10-09 09:44
如何在深度學(xué)習(xí)結(jié)構(gòu)中使用紋理特征
來源：AI公園，作者：TraptiKalra編譯：ronghuaiyang導(dǎo)讀這是前一篇文章的繼續(xù)，在這篇文章中，我們將討論紋理分析在圖像分類中的重要性，以及如何在深度學(xué)習(xí)中使用紋理分析。在這篇文章中，我們將討論紋理分析在圖像分類中的重要性，以及如何在深度學(xué)習(xí)中使用紋理分析。我們還將討論一些常用的紋理提取技術(shù)，這些技術(shù)用于預(yù)先訓(xùn)練的模型，以更有效地解決分類任1.1k瀏覽量
