最近朋友圈里有大神分享薛定谔的滚,一下子火了,"当一个妹子叫你滚的时候,你永远不知道她是在叫你滚还是叫你过来抱紧",这确实是一种十分纠结的状态,而薛定谔是搞不清楚的,他连自己的猫是怎么回事还没有弄清楚.虽然人们对于薛定谔头脑中那只被放射性物质残害的猫的生死一直众说纷纭,斯特恩·盖拉赫却在实验中,实实在在看到了,我们身处的这个物理世界的量子性,也就是既生又死.既真又假.既梦又醒.既粒又波.既此又彼的存在,按照老子的说法是,玄之又玄,众妙之门.   量子性是这个世界已知的基本特征,未来的世

更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 作者介绍:Brendan Fortuner 是一名在西雅图的亚马逊的软件工程师,目前自己在人工智能方面进行研究. 上过Jeremy Howard的深度学习课程后,我意识到我在线性代数方面的不足,而这大大影响我对类似反向传播这样的概念的理解.因此我决定在这个方面花点时间,以补全这方面的知识. 本文是对线性代数的基本介绍,用于深度学习中会使用到的一些常见的线性代数操作. 什么是线性代数? 在深度学习的背景下,线性

<寻梦环游记>看哭了许多人,小男孩米格踏过花瓣桥,也就踏入了既生又死的状态,出现在他眼前的,是恢弘的亡灵世界.如果人世间没有人再记得,骷髅人也将在亡灵世界烟消云散,这是人存在的本来景象吗?玛雅人祭奠的圣井,真的是通往亡灵世界的入口吗?玛雅人是不是已然到达了传说中的梵境? 紧跟着玛雅人到达梵境的,是现在的一批90后.<第一批90后已经出家了>称,办公室的90后已经找到人生的新方向,宣布成佛,"有也行,没有也行,不争不抢,不求输赢",这是真真正正的梵境,是物我两忘.

  深度学习中常见的几个基础概念   1. Linear regression :   Linear regression 对监督学习问题来说, 是最简单的建模形式. 上图蓝色点表示 training data point, 红色的线表示用于拟合训练数据的线性函数. 线性函数的总的形式为: 在代码中表示这个模型, 可以将其定义为 单列的向量 (a single column vector) : # initialize variable / model parameters.  w = tf.V

Credit: Escher https://www.esmadrid.com/en/whats-on/escher-gaviria-palace 道格拉斯·霍夫斯塔特(Douglas Hofstadter)在他的著作<我是一个奇怪的循环>中提出了这个看法: 最终,我们能够自我感知.自我创造.自我参照. 他将这种自我参照的机制称为思想独特的属性.这个奇怪的循环是在层次结构中跨越多个层次的循环系统.顺着这个循环移动,人们会重新回到自己最初开始的地方. 巧合的是,这个"奇怪的循环&quo

介绍 为了研究神经网络,我们必须要对什么网络是什么有一个更直观的认识. 一.基本变换:层 神经网络是由一层一层构建的,那么每层究竟在做什么? 数学式子:,其中是输入向量,是输出向量,是偏移向量,是权重矩阵,是激活函数.每一层仅仅是把输入经过如此简单的操作得到. 数学理解:通过如下 5 种对输入空间(输入向量的集合)的操作,完成 输入空间 -> 输出空间 的变换 (矩阵的行空间到列空间). 注:用 "空间" 二字的原因是被分类的并不是单个事物,而是一类事物.空间是指这类事物所有个体

前言 刚好在暑假通过参加 kaggle 的 Zillow Prize 比赛来让我在数据挖掘和机器学习中完成了菜逼到 Level 1 的转变,借知乎的平台总结一下比赛的经验,先声明本文绝不是只列出名词的文章,每一点背后都会有相应的文字解说,各位客官可以安心吃用和讨论. 其次要强调的是这篇文章不承诺带你上 kaggle top1%,不承诺你看完后就懂数据挖掘,就懂机器学习,这次的总结分享只针对下列有如下问题的人群. 网上其他的攻略文章看得不少,为啥自己还是一波操作猛如虎,一看比分 0-5? 为啥深度

引言 自2012年ImageNet大赛技惊四座后,深度学习已经成为近年来机器学习和人工智能领域中关注度最高的技术.在深度学习出现之前,人们借助SIFT.HOG等算法提取具有良好区分性的特征,再结合SVM等机器学习算法进行图像识别.然而SIFT这类算法提取的特征是有局限性的,导致当时比赛的最好结果的错误率也在26%以上.卷积神经网络(CNN)的首次亮相就将错误率一下由26%降低到15%,同年微软团队发布的论文中显示,通过深度学习可以将ImageNet 2012资料集的错误率降到4.94%. 随后的

自2006年Hinton提出神经网络新的训练方法起,深度学习发展迅速,促使人工智能在图像.语音.自然语言处理等多个领域有了实质性的突破,达到产业应用标准.然而,深度学习作为人工智能领域的一项前瞻技术,实践性强,入门门槛高,关于深度学习的研究与应用,现在仍有很多问题没有找到满意的答案,这些都给深度学习的广泛应用带来挑战.本文旨在提供一份清晰.简洁的深度学习实践说明,以便从事深度学习研究与工程技术人员能够快速掌握深度学习的实际经验. 第一节:深度学习概述 深度学习是模拟人脑进行分析学习的多层神经网络