- 综合排序
- 最热优先
- 最新优先
- 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
IEEE Spectrum在2018新年伊始推出专刊“AI vs Doctors”，统计了从2016年5月至今，AI在医疗领域的进展，并对比各大细分领域AI与人类医生能力差距，人工智能正在医生的主场获取成功 自闭症：AI扫描婴儿脑部以预测自闭症 北卡罗来纳大学教堂山分校的一个研究小组发现了6个月大儿童大脑的变化与自闭症的关系，而深度学习算法能够使用数据，预测在24个月时自闭症高危儿童是否会被诊断为病症。 先天性白内障诊断，AI与人类医生打平 中山大学眼科医生Haotian Lin与西安电子科技大学Xiyang Liu的研究小组合作，开发了一种能诊断先天性白内障的AI程序CC-Cruiser，利用深度学习算法 皮肤癌诊断，AI算法与人类医生表现几乎相同 斯坦福大学的研究人员开发了一种深度学习算法，识别皮肤癌的准确率与专业的人类医生相当，相关研究论文被选为封面论文，在2017年2月的一期 Nature发表。 AI赋能显微镜能计算血液样本中的疟疾寄生虫 近日，一家中国制造商和由比尔·盖茨支持的风险投资公司将宣布计划将显微镜商业化，该显微镜使用深度学习算法在20分钟内自动识别和计数血液中的疟疾寄生虫。
1.1K60发布于 2018-03-20 - 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
当然梯度下降法不仅仅能够解决线性回归算法，更是在机器学习中求解最优模型一种通用化的方法，甚至在有些模型中我们只能使用梯度下降法来解最优的模型，这是因为对于更复杂的模型来说，我们无法获得这样一个简单的公式来计算这些模型相应的参数的 机器学习算法中很少有像线性回归算法这样通过数学公式推导出方程解的算法。 ?
1.4K00发布于 2019-11-13 - 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
2017年4月，Hinton在接受《纽约客》采访时说：“5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生”。此言论一出，再一次引发全球关于AI正在取代医生的焦虑讨论。 自闭症：AI扫描婴儿脑部以预测自闭症 北卡罗来纳大学教堂山分校的一个研究小组发现了6个月大儿童大脑的变化与自闭症的关系，而深度学习算法能够使用数据，预测在24个月时自闭症高危儿童是否会被诊断为病症。 先天性白内障诊断，AI与人类医生打平 中山大学眼科医生Haotian Lin与西安电子科技大学Xiyang Liu的研究小组合作，开发了一种能诊断先天性白内障的AI程序CC-Cruiser，利用深度学习算法 AI赋能显微镜能计算血液样本中的疟疾寄生虫 近日，一家中国制造商和由比尔·盖茨支持的风险投资公司将宣布计划将显微镜商业化，该显微镜使用深度学习算法在20分钟内自动识别和计数血液中的疟疾寄生虫。 此外，新智元AI技术+产业领域社群(智能汽车、机器学习、深度学习、神经网络等)正在面向正在从事相关领域的工程师及研究人员进行招募。 2018，加入新智元社群，一起构建AI开放平台，助力中国智能+
1.5K60发布于 2018-01-05 - 来自专栏CSDN技术头条
未来5-10年，NLP将走向成熟
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。 NPL与其他AI技术一起在金融、法律、教育、医疗等垂直领域将得到广泛应用。 但是，我们也清醒地看到，虽然有一些很好的预期，但是自然语言处理还有很多很多没有解决的问题。以下几个我认为比较重要的。 这些知识如何跟数据巧妙结合，从而加快学习的过程、提高学习的质量，这也是比较令人关注的。 通过迁移学习实现领域自适应。如果们想翻某一个专业领域，比如说计算机领域，可能现有的翻译工具翻得不好。 所以大家都在研究，有没有一种办法，能够帮助机器进行迁移学习，能够更好的运用到语音自适应上。 通过强化学习实现自我演化。 这就要通过一个所谓无监督的学习过程，或者半监督的学习过程增强整体的学习过程。这里也是目前研究上非常令人关注的。
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
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。 ● NLP与其他AI技术一起在金融、法律、教育、医疗等垂直领域将得到广泛应用。 但是，我们也清醒地看到，虽然有一些很好的预期，但是自然语言处理还有很多很多没有解决的问题。以下几个我认为比较重要的。 这些知识如何跟数据巧妙结合，从而加快学习的过程、提高学习的质量，这也是比较令人关注的。 4.通过迁移学习实现领域自适应。如果们想翻某一个专业领域，比如说计算机领域，可能现有的翻译工具翻得不好。 所以大家都在研究，有没有一种办法，能够帮助机器进行迁移学习，能够更好的运用到语音自适应上。 5.通过强化学习实现自我演化。 这就要通过一个所谓无监督的学习过程，或者半监督的学习过程增强整体的学习过程。这里也是目前研究上非常令人关注的。
75530发布于 2018-07-20 - 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 - 来自专栏新智元
首个AI游戏引擎或颠覆任天堂暴雪？0代码即可创建，黄仁勋预测5-10年游戏完全由AI生成
新智元报道 编辑：编辑部 【新智元导读】还有什么领域没有被AI渗透？继音乐之后，首个AI游戏引擎已经完全凭几个字，就能创建游戏资产和动画了。 老黄预测，未来5-10年我们将看到完全由AI生成的游戏。 「未来5-10年，我们可以看到完全由AI生成的游戏」。 这是近日GTC 2024大会之后，黄仁勋接受媒体时采访时发表的最新看法。 - AI场景生成：描述您想要的场景，从诡异的墓地到霓虹灯城市，几分钟内构建整个游戏环境。 - 快速AI编辑和手势绘制工具：只需快速点击或滑动，就可以使用基于AI和手势的绘制工具动态进行更改。 就连老黄也表示，这只需要5-10年的时间。Bethesda仍在推进下一代《上古卷轴》游戏的开发，预计2028年推出。微软和新XBox也是如此。 所有这些游戏，都将在10年后被扫地出门。 正如老黄在问答环节中提到的，AI正在使编程变得更加普及——人们不再需要经过多年学习就能编写代码和脚本。 那么，我们将来会看到使用DLSS 10技术创造的神经渲染游戏吗？
54810编辑于 2024-03-26 - 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 - 来自专栏HUC思梦的java专栏
ai学习记录
新建：分辨率：矢量软件和分辨率无关； 新建时候不要勾选对齐到像素网格 存储：.ai：illustrator的默认格式。 .eps:支持矢量图形，ai可以打开；也可以被ps打开，打开之后图层是合并的。 PDF：可以跨平台（PC，苹果）跨软件打开。PDF输出（保存时）：可以选择输出范围。 JPG导出：文件——导出 勾选上使用画板 打开：不要用Crtl+O 打开位图；否则会变为嵌入文件； 置入：将图片拖拽到画布上松开；置入后图片上还有一个X； 置入图片之后，必须记得将AI和其他链接文件一同移动 符号喷枪工具（shift+s）:用于绘制AI自带的图形，配合符号面板（ctrl+shift+f11）和符号库使用。 （六）AI修改文档大小 属性栏——点击文档设置——编辑画板——修改相应宽高属性 编辑画板第二种方法：点击画板工具(shift+o) 如何新建画板 1.编辑画板——点击新建画板 2.在画板编辑模式下，点击旧画板
4.1K20发布于 2020-09-03 - 来自专栏xiaosen
AI - 集成学习
集成学习概念 集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型成为弱学习器（基学习器）。 集成学习通过构建多个模型来解决单一预测问题 生成多基学习器，各自独立地学习和预测 通过平权或者加权的方式，整合多个基学习器的预测输出 传统机器学习算法 (例如：决策树，逻辑回归等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开 基学习器是可使用不同的学习模型，比如：支持向量机、神经网络、决策树整合到一起作为一个集成学习系统也可使用相同的学习模型，一般情况下，更使用相同的学习模型 。 集成学习把多个学习器结合起来，要获得好的集成，个体学习器应有一定的准确性 ，学习器不能太坏，并且学习器之间具有差异 。 然后基于调整后的样本分布来训练下一个基学习器； 如此重复进行，直至基学习器数目达到实现指定的值T为止。 再将这T个基学习器进行加权结合得到集成学习器。
55410编辑于 2024-03-24 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 资源打包与压缩策略30MB的HTML文件内包含超过2000个资源文件，其打包系统采用分层压缩策略：资源目录结构代码语言：python代码运行次数：0运行AI代码解释/textures /block i sound.wav -acodec libvorbis -aq 50 sound.oggBase64编码优化： 使用更高效的Base62编码方案：代码语言：javascript代码运行次数：0运行AI > C[区块排序] C --> D[材质绑定] D --> E[着色器渲染] E --> F[后期处理]关键性能优化1.实例化渲染：代码语言：javascript代码运行次数：0运行AI id=23094051901151433196793.智能区块更新： 使用Dirty Flag机制减少不必要的重绘：代码语言：javascript代码运行次数：0运行AI代码解释class Chunk
16310编辑于 2025-07-19- 来自专栏钱塘大数据
2017 AI成熟度曲线图
AI解决方案可能会包括一种或者更多高级技术，例如机器学习，深度学习，自然语言处理，机器视觉和推理。 代表企业：Amazon; Baidu; Google; IPsoft; Kore;Microsoft; x.ai 位置：距成熟应用时间5-10年 对话式用户界面 定义：对话式UI是一种高级设计模型，用户和机器间的交互主要以用户的口语或书面自然语言进行 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。 VA使用AI和机器学习来辅助用户或是自动完成任务。VA聆听并观察行为，建立并维护数据模型，预测并提出行动建议。它们可能会代表用户行事，随着时间推移与用户建立联系。 代表企业：Amazon; Apple; Google; IBM; IPsoft;Microsoft; Nuance; x.ai 位置：距成熟应用5-10年 深度学习 定义：深度学习可以发掘中间表示，扩展了标准的机器学习能力
2K90发布于 2018-03-06 - 来自专栏机器学习与统计学
教AI学习绘画
通过结合神经网络笔画渲染器和基于模型的深度强化学习，我们的 AI 可以用笔画描绘纹理丰富的自然图像。AI 用数百个笔画就可以实现视觉效果很好的图画，对于每个笔画，直接确定笔画的位置和颜色等。 AI 的训练过程不需要人类绘画的经验或者笔画轨迹数据。 以人脸 (CelebA) 为例，需要一张 GPU，10 小时训练笔画渲染器，40 小时训练 AI，其间 AI 画了数百万张图片来学习。 这是我在接触深度学习不久后就十分感兴趣的问题。 从强化学习的角度看，我们需要设计一个 AI，给它一个画布和目标图。 AI 的每一步在画布上画一个笔画，当它画的笔画使画布和目标图更像时，我们就给它奖励，驱动它学习。我们可以设定一个笔画上限，让 AI 在给定的笔画数后终止。 ? DDPG 和 Model-based DDPG 的不同结构 神经网络笔画渲染器还可以接入到强化学习的框架中来辅助 AI 的训练。
2.8K20发布于 2019-05-09 - 来自专栏司钰秘籍
AI大模型学习
在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 通过不断优化模型结构和算法，AI大模型学习能够不断提升模型的准确性和效率，为人类生活和工作带来更多便利。 AI大模型学习的理论基础 数学基础： 线性代数：AI 大模型中大量使用向量和矩阵运算，如矩阵乘法、向量点积等，用于表示和操作数据。 AI大模型的训练与优化 训练和优化大规模机器学习模型确实是一个具有挑战性的任务，以下是一些有效的方法和技巧： 1. 此外，模型的性能也受到计算资源、数据质量和算法优化等因素的影响 AI大模型学习的伦理与社会影响 AI 大模型学习确实带来了一些伦理和社会问题，我们需要认真对待： 1.
69410编辑于 2024-04-04 - 来自专栏人工智能领域
AI大模型学习
AI大模型学习 在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 方向一：AI大模型学习的理论基础 AI 大模型学习的理论基础涉及深度学习、神经网络、优化算法等多个方面。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 自我学习与迁移学习：AI大模型将更加注重自我学习能力和迁移学习能力，实现在不同任务和领域之间的灵活应用和迁移。
68010编辑于 2024-12-18 - 来自专栏代码洁癖患者
跟着AI学习Kafka
作者说 本文是由 Gemini 生成的 Kafka 学习路径。 Gemini 中有一个学习辅导的工具，它可以通过互动问答的形式帮助你由浅入深的学习一个知识点，个人感觉还是很好用的，感兴趣的同学可以试一下。 后面的内容由 AI 生成，后续我也会按照这个大纲来进行学习和分享。 AI说 这是一个非常扎实的学习目标。Kafka 不仅是一个消息队列，更是分布式存储和流处理的基石。 这份学习路径将分为四个阶段，涵盖了从宏观架构到微观实现的各个层面： 第一阶段：核心概念与基础架构 (The Big Picture) 这个阶段的目标是建立“物理直觉”，理解 Kafka 是如何组织数据的
14110编辑于 2026-01-28 - 来自专栏社区动态
AI提问实现学习弯道超车！如何使用AI加速学习？
文章框架AI已经带来学习方式的改变，降低了我们学习知识的难度，加快了我们解决问题的速度。 欢迎大家添加小助手微信jqzn-robot加入【AI分享交流群】，学习、分享更多有趣，有用的AI～一、前言在AI快速发展的今天，我们需要学习：驾驭大模型的能力、学习最基础最核心的知识、培养不容易被AI取代的能力 接下来我将从什么是问题驱动式学习、为什么问题驱动式学习更有效，以及在AI时代怎样基于问题驱动来加速学习。友情提示：如果不了解前因后果，只想了解如何在AI时代实践问题驱动式学习，直接跳到第四部分即可。 个性化学习体验：AI可以根据学习者的历史查询、学习习惯和偏好提供个性化的学习内容和建议，使学习更加贴合个人需求，从而提高学习效率和兴趣。 培养21世纪技能：在与AI互动的过程中，学习者不仅学习知识本身，还在无形中培养了批判性思维、信息素养、技术使用和终身学习等 21 世纪必备技能。AI让深度学习成为可能。
74510编辑于 2024-08-19 - 来自专栏WeaponZhi
AI 开篇—说说我学习 AI 的动机
我是为了学 AI 才去适当入门 Python 的，在我对 Python 有一个了解之后，我觉得我已经可以应付入门机器学习的条件了，那我觉得在这种状态下，就可以进行下一段的学习了。 从我自己来说，学习 AI 的动机有三点： 第一点可能是绝大多数试图学习或者转型 AI 的朋友都有考虑到的，那就是 AI 目前的形势。 那么在目前的这个人生阶段上，我为什么会去选择在业余时间学习 AI 呢。 第二点。因为我是一个比较有想法的人，我也有大量的想法希望通过我的双手实现。 做 AI 在技术上的动机是因为我想通过研究和学习 AI 重新回到一个作为学习者和研究者身份，去纯粹而安静的在研究和学习中沉浸自己的内心。 学习 AI ，使我回归本心，我好像回到了小时候，想做一个不露面的超人，安静的守护着我爱的每一个人。 这是我的动机，那么你选择 AI 的理由呢？
1K70发布于 2018-03-07 - 来自专栏机器之心
AutoML研究综述：让AI学习设计AI
自动机器学习（AutoML）的目标是让领域专家即使没有统计学和机器学习方面的广泛知识也能自动构建机器学习应用，从而减少对数据科学家的需求。 这意味着对所有机器学习任务都普遍更优的机器学习流程是不存在的。因此，不可能将一个表现优良的机器学习流程迁移至新领域后还能表现出色。相反，为了得到最优的结果，必须为每个新数据集构建新的机器学习流程。 图 4：针对特定机器学习任务的专用机器学习流程 3.2.1 遗传编程 自动构建灵活的机器学习流程的首个方法来自 Olson and Moore (2016)。 针对无监督学习或强化学习的专门研究可以助力 AutoML 框架的发展，进而解决当前还未显露的学习问题。此外，专门的方法也能提升这些任务的性能表现。 AutoML 的目标是完全自动化机器学习流程的创建，以让领域专家能使用机器学习。
83220发布于 2019-05-15 - 来自专栏六点半就起来干博客！
机器学习——解释性AI（Explainable AI）
机器学习——解释性AI（Explainable AI） 解释性AI（Explainable AI）——让机器学习模型更加透明与可信 随着人工智能（AI）和机器学习（ML）在多个领域的广泛应用，理解模型的决策过程变得尤为重要 LIME特别适合于深度学习等复杂模型，通过扰动输入数据并观测模型的预测变化，从而解释单一实例的决策过程【43†source】【45†source】。 解释性AI（Explainable AI）——揭开机器学习模型的“黑盒” 在当今人工智能和机器学习技术广泛应用的背景下，解释性AI（Explainable AI, XAI） 变得尤为重要。 XAI 旨在为复杂的机器学习模型提供人类可理解的解释，帮助用户了解模型如何做出决策，特别是在金融、医疗等高风险领域，XAI 提供了透明性和信任基础。 什么是解释性AI？ 解释性AI 通过一系列技术来解释机器学习模型的预测结果。对于许多深度学习模型或集成模型来说，它们被视为“黑盒”——虽然能够产生高精度的预测，但难以理解其背后的决策过程。
93310编辑于 2024-10-16
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