- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDN技术头条
未来5-10年，NLP将走向成熟
MSRA在机器翻译、中国文化、聊天机器人和阅读理解的最新进展 机器翻译 今年微软首先在语音翻译上全面采用了神经网络机器翻译，并拓展了新的翻译功能，我们叫做Microsoft Translator Live 图1 神经网络机器翻译 图1概括了神经网络机器翻译，简要的说，就是对源语言的句子进行编码，一般都是用长短时记忆（LSTM）进行编码。 我们把句法知识引入到神经网络编码、解码之中，这是传统的长短时记忆LSTM，这是模型，我们引入了句法，得到了更佳的翻译，这使大家看到的指标有了很大程度的提升。 ? 图2 将知识图谱纳入传统的神经网络机器翻译中 此外，我们还考虑到在很多领域是有知识图谱的，我们想把知识图谱纳入到传统的神经网络机器翻译当中，来规划语言理解的过程。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。
1.3K71发布于 2018-02-12 - 来自专栏人工智能头条
未来5-10年，自然语言处理将走向成熟
微软亚洲研究院在机器翻译、中国文化、聊天机器人和阅读理解的最新进展 机器翻译 今年微软首先在语音翻译上全面采用了神经网络机器翻译，并拓展了新的翻译功能，我们叫做Microsoft Translator 图1 神经网络机器翻译 图1概括了神经网络机器翻译，简要的说，就是对源语言的句子进行编码，一般都是用长短时记忆（LSTM）进行编码。 我们把句法知识引入到神经网络编码、解码之中，这是传统的长短时记忆LSTM，这是模型，我们引入了句法，得到了更佳的翻译，这使大家看到的指标有了很大程度的提升。 ? 图2 将知识图谱纳入传统的神经网络机器翻译中 此外，我们还考虑到在很多领域是有知识图谱的，我们想把知识图谱纳入到传统的神经网络机器翻译当中，来规划语言理解的过程。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。
75430发布于 2018-07-20 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-10 线性回归的可解释性
上面使用了波士顿房价的13个特征，通过在全部数据集上进行拟合，不进行train_test_split方法是因为此时我们并不需要验证模型的性能，只是对得到结果的系数进行解释。
1.4K00发布于 2019-11-13 - 来自专栏算法修养
pta习题集 5-10 切分表达式——写个tokenizer吧
[先说点出题背景] 这个题是为低年级同学、学C语言的同学准备的，因为，对这部分同学，这个题目编写起来略有一点复杂。如果是高年级、学过了正则表达式（Regular Expression）的同学或者学过了Java等OO语言的同学做这个题，应当发现这题比较简单吧。哦，对了，什么是tokenizer？请自行查询解决。反正在此处不应翻译成“令牌解析器”。 [正题] 四则运算表达式由运算数（必定包含数字，可能包含正或负符号、小数点）、运算符（包括+、-、*、/）以及小括号（(和)）组成，每个运算数、运算符和括号
1.1K60发布于 2018-04-27 - 来自专栏企鹅号快讯
Hinton：5-10年内深度学习取代放射科医生
如果使用1.0分表示100％的准确性，那么标准指导得分0.728，机器学习模型的范围从0.745到0.764，最好的分数来自一种称为神经网络的机器学习模型。 虽然机器评分听起来可能不是一个响亮的胜利，但当翻译成人类术语时，其意义就变得清晰了：神经网络模型预测，在7404例实际病例中，有4998例患者心脏病发作或中风，这超过标准355例方法。 这是因为信号依赖氧气流向神经元，但是阿尔茨海默病患者中tau蛋白的积累会扼杀这些神经元，导致脑部区域萎缩。 该小组想要看看他们是否可以使用功能连接的这些变化来预测阿尔茨海默病。 他们从93名MCI患者和101名由阿尔茨海默病神经成像倡议提供的正常患者的数据开始。研究人员根据参与者大脑90个区域的130个fMRI测量结果的时间序列，可以确定信号在一段时间内闪烁的位置。 研究人员将IBM Watson进行的基因组分析结果，与NYGC的医学专家团队进行比较，后者由治疗肿瘤科医师，神经肿瘤专家和生物信息学家组成。
1.5K60发布于 2018-01-05 - 来自专栏腾讯云原生团队
ImageApparate(幻影)镜像加速服务让镜像分发效率提升 5-10 倍
ImageApparate(幻影) 为了解决这个问题，腾讯云容器服务 TKE 团队开发了下一代镜像分发方案ImageApparate(幻影), 将大规模大镜像分发的速度提升 5-10倍。 ? 如上所述，相比于传统的下载全部镜像的方式，ImageApparate 在容器全部启动时间上都有 5-10倍 的提升。
1.6K10发布于 2021-02-25 光照计算 采用手动优化重写，通常能获得5-10倍的性能提升
物理碰撞检测光照计算 采用手动优化重写，通常能获得5-10倍的性能提升第三阶段：内存优化通过JavaScript特有的内存管理技术：代码语言：javascript代码运行次数：0运行AI代码解释// 使用对象池减少
16210编辑于 2025-07-19- 来自专栏新智元
【AI全球大战医生】Hinton：5-10年内深度学习取代放射科医生
如果使用1.0分表示100％的准确性，那么标准指导得分0.728，机器学习模型的范围从0.745到0.764，最好的分数来自一种称为神经网络的机器学习模型。 虽然机器评分听起来可能不是一个响亮的胜利，但当翻译成人类术语时，其意义就变得清晰了：神经网络模型预测，在7404例实际病例中，有4998例患者心脏病发作或中风，这超过标准355例方法。 这是因为信号依赖氧气流向神经元，但是阿尔茨海默病患者中tau蛋白的积累会扼杀这些神经元，导致脑部区域萎缩。 该小组想要看看他们是否可以使用功能连接的这些变化来预测阿尔茨海默病。 他们从93名MCI患者和101名由阿尔茨海默病神经成像倡议提供的正常患者的数据开始。研究人员根据参与者大脑90个区域的130个fMRI测量结果的时间序列，可以确定信号在一段时间内闪烁的位置。 研究人员将IBM Watson进行的基因组分析结果，与NYGC的医学专家团队进行比较，后者由治疗肿瘤科医师，神经肿瘤专家和生物信息学家组成。
1.1K60发布于 2018-03-20 - 来自专栏AI科技评论
百度王海峰Quora精华整理：未来5-10年，NLP领域将会有什么进展？
2、未来5-10年，NLP领域将会有什么进展？ 机器翻译、语义理解、问答和对话技术将会有重大突破。这些技术将会被广泛应用，并最终改变人与计算机、人与各种硬件设备、以及人与人之间的沟通方式。 这些统计学或神经网络算法，根据不同的应用，都更进一步优化了特定语言 。 比如，在2015年5月，百度发布了第一个大型在线神经机器翻译系统。基础的NMT模型就是语言无关的，并输出了非常好的翻译结果。 机器翻译 如今，基于神经网络的机器翻译十分火热，不过，传统的机器翻译方法仍有价值。 所以，我们的系统结合了新旧四种方法: 神经网络机器翻译（neural MT） 基于规则的机器翻译（rule-based MT） 基于实例的机器翻译（example-based MT） 基于统计的机器翻译 （statistical MT） 2015年5月，百度将神经网络机器翻译技术应用到百度在线翻译服务中，推出了全球首个基于深度学习的大规模在线翻译系统。
1.4K40发布于 2018-03-12 - 来自专栏苦逼的码农
在一个公司死磕了5-10年的人最后都怎么样了
互联网企业给人的感觉就是流动性非常大，跳槽一词也常挂嘴中，并且也是涨薪资最好的方式，很少有人在一家公司待五六年以上。
51050编辑于 2023-09-07 - 来自专栏新智元
Gartner：2016 智能机器成熟度曲线图（更新版）
距稳定应用还有5-10年。 1.5神经形态硬件NeuromorphicHardware 定义：神经形态硬件使用非二进制信号来模仿生物学上的神经元。非二进制信号的例子包括类比和尖峰信号。 生物学的神经元展示出在成千上万输入以及数十亿神经元之间的慢速处理。 代表企业：AMD; IBM;Nvidia; Qualcomm 位置无变化。距稳定应用还有超过10年。 距稳定应用还有5-10年。 距稳定应用还有5-10年。 距稳定应用还有5-10年。 2.6深度神经网络Deep Neural Nets 定义：深度神经网络（也被称作深度学习）是一种机器学习的变体，它包括了超过两个处理层的神经网络。
1.2K80发布于 2018-03-23 - 来自专栏机器学习养成记
神经网络-BP神经网络
感知器作为初代神经网络，具有简单、计算量小等优点，但只能解决线性问题。 BP神经网络在感知器的基础上，增加了隐藏层，通过任意复杂的模式分类能力和优良的多维函数映射能力，解决了异或等感知器不能解决的问题，并且BP神经网络也是CNN等复杂神经网络等思想根源。 1 基本概念 BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。 2 BP神经网络结构 BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（分别是输入样本的变量个数和输出标签个数），但隐藏层的节点个数不固定。 以具有单隐藏层的BP神经网络为例，其网络结构如下图： ? 3 BP神经网络原理公式 以单隐藏层的BP神经网络为例，各阶段原理公式如下： 前向传播。
2.3K20发布于 2021-03-04 - 来自专栏资讯分享
37% 的专业人士使用生成式人工智能工具每周可节省 5-10 小时的时间
4月17日讯，据businesswire报道，Contentful的一份报告显示，38%的受访者表示，使用 genAI 工具每周可节省 1 到近 5 个小时；37% 每周可节省 5 到 10 个小时；11% 每周可节省 10 个小时以上。
17610编辑于 2024-04-24 - 来自专栏钱塘大数据
2017 AI成熟度曲线图
; Alteryx; Apervita;Foxtrot Code; IBM; Microsoft Azure; Numerai; PrecisionHawk; Quantiacs 位置：距成熟应用时间5- Elasticsearch); Evolven; Loom; Moogsoft; Rocana; Splunk; Sumo Logic; XpoLog 位置：距成熟应用10年以上 深度增强学习 定义：深度增强学习是将深度神经网络运用于增强学习中 代表企业：Google; Nvidia; OpenAI 位置：距成熟应用时间5-10年 神经形态硬件 定义：神经形态计算可以被定义成由神经生物学架构启发的半导体处理器。 神经形态芯片组具有非冯·诺依曼式架构的特性，通常需要与传统处理器完全不同的执行模型。 代表企业：无 位置：距成熟应用5-10年 快速发展期 深度神经网络特定用途集成电路 定义：深度神经网络特定用途集成电路是一种能够加速深度神经网络机器学习系统计算的集成电路。
2K90发布于 2018-03-06 神经图
NEAT是从简单的单层网络逐步演化成复杂的神经网络拓扑结构的一种方法。 如果鼠标悬停在神经元上，会弹出一个标签来描述它是哪种类型的神经元（S形，正弦，余弦，高斯等）。具有大重量级的连接将具有比光连接更暗且更厚的颜色。 我最终做的是用一个单线性加隐藏神经元（不是sigmoid）来初始化网络，并且把所有的输入连接到这个初始神经元，并且把这个初始神经元连接到所有三个输出通道，所有这三个输出通道都具有随机的初始权值。 image.png 黄色的正弦神经元已被随机添加在与最初的加性神经元分离的后一代中，以产生重复的关键模式。 对于我的网络，我实际上允许所有隐藏的神经元自由地与网络中的另一个非输入神经元连接，所以实际上我们很可能最终得到循环网络。感谢recurrent.js中的Graph对象，这不是很难做到。
1.4K101发布于 2018-02-05- 来自专栏Metaverse元宇宙
MetaDaily｜腾讯业内首发数字孪生云，扎克伯格对未来5-10年的前景感到完全乐观
Meta CEO扎克伯格：对未来5-10年的前景感到完全乐观 Meta CEO扎克伯格表示，对未来5-10年的前景感到“完全乐观”;此前在2021年错误地认为元宇宙的火热趋势将持续下去;说Meta现在将所有的注意力全都集中在了元宇宙领域是不正确的说法
52120编辑于 2022-12-18 - 来自专栏全栈程序员必看
神经网络学习 之 BP神经网络
上一次我们讲了M-P模型，它实际上就是对单个神经元的一种建模，还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络，才能够具有学习、联想、记忆和模式识别的能力。 BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种非常常见的神经网络模型——反向传播(Back Propagation)神经网络。 ，如果输出层的第一个神经单元的输出值比第二个神经单元大，我们认为这个数据记录属于第一类，否则属于第二类。 ，隐含层有 p p p个神经元，输出层有 q q q个神经元。 由此，我们得到神经网络隐层神经元个数的选取原则是：在能够解决问题的前提下，再加上一两个神经元，以加快误差下降速度即可。 3.初始权值的选取 一般初始权值是取值在(−1,1)之间的随机数。
6.5K20编辑于 2022-09-01 - 来自专栏智能大数据分析
【机器学习-神经网络】循环神经网络
在前面两篇文章中，我们分别介绍了神经网络的基础概念和最简单的MLP，以及适用于图像处理的CNN。从中我们可以意识到，不同结构的神经网络具有不同的特点，在不同任务上具有自己的优势。 这就是本文要介绍的循环神经网络（recurrent neural networks，RNN）。 一、循环神经网络的基本原理 我们先从最简单的模型开始考虑。 因此，这样重复的网络结构可以用图2中的循环来表示，称为循环神经网络。 图2 RNN的循环表示 RNN的输入与输出并不一定要像上面展示的一样，在每一时刻都有一个输入样本和一个预测输出。
79600编辑于 2025-01-22 - 来自专栏生信小驿站
黑箱方法-神经网络①人工神经网络
人工神经网络 人工神经网络的概念 人工神经网络（Artificial Neural Networks，ANN）是对一组输入信号和一组输出信号之间的关系进行建模，使用的模型来源于人类大脑对来自感觉输入的刺激是如何反应的理解 通过调整内部大量节点（神经元）之间相互连接的权重，从而达到处理信息的目的。 从广义上讲，人工神经网络是可以应用于几乎所有的学习任务的多功能学习方法：分类、数值预测甚至无监督的模式识别。 人工神经网络的构成与分类 常见的人工神经网就是这种三层人工神经网络模型，如果没有隐含层，那就是两层人工神经网络；如果有多层隐含层那就是多层人工神经网络。 小圆圈就是节点，相当于人脑的神经元。 这是我们主要使用的B-P神经网络模型就是典型的前馈式神经网络模型。 另外,由于层数和每一层的节点数都可以改变，多个结果可以同时进行建模，或者可以应用多个隐藏层（这种做法有时称为深度学习 (deep learning） 第二种是反馈式神经网络，这种神经网络的特点是层间节点的连接是双向的
1.1K30发布于 2018-08-27 - 来自专栏生命科学
神经干细胞移植 “逆转” 神经损伤 - MedChemExpress
在神经退行性疾病中，特定的神经元亚群，例如多巴胺能和胆碱能神经元或运动神经元会逐渐退化，导致特定模式的神经系统功能障碍。传统药物治疗用于延缓疾病进展，不能使功能修复或组织再生[1]。 关于神经干细胞及其分化 神经干细胞 (NSCs) 被喻为中枢神经系统 (CNS) 的 “种子” 细胞，不同神经细胞系的产生起源于成体神经干细胞。 神经元(Neurons) 是神经系统结构和功能的基本单位，通过轴突和树突传递信号。典型的神经元由树突、细胞体、轴突 (包括轴突丘) 和突触前末端组成。神经元自身不能再生。 除了参与细胞通讯外，星形胶质细胞还能通过释放神经营养因子，如胶质细胞系衍生的神经营养因子 (GDNF)，以及降低神经元的兴奋中毒，发挥神经保护作用。 FGF-8诱导神经前体细胞 (iNPCs) 衍生多巴胺能神经元 (DA) 生成的关键因子。GDNF一种神经营养因子，能促进中脑多巴胺能神经元的存活分化，支持人多能干细胞来源的神经祖细胞向神经元分化。
73660编辑于 2022-12-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号