深度学习教程

除了卡尼曼的“思维快慢”框架外，大多数人对克拉克的“扩展思维假设”并不熟悉。这两个理念与当今的深度学习AI极为相关。 在心智哲学中，扩展思维命题（也称为心智延展理论，EMT:Extended mind thesis）认为，心智并不完全存在于大脑甚至身体中，而是延伸到物理世界中。 EMT

下面一张图通俗易懂地结束AI、机器学习和深度学习三者关系，和在企业实践中实际作用。 [img]

这是来自 quantamagazine的一篇报道，当前使用人工智能的深度神经网络求解数学中偏微分方程的整个族，从而使得数学对复杂系统的建模更加容易，并且速度更快。 [b]很难求解的方程式

使用深度学习和神经网络，称为 Alpha Fold 的算法有望彻底改变生物化学领域。 在过去的 50 年中，蛋白质折叠问题一直是一个持续的障碍。它首次出现在 1972 年：一个新理论提出，了解蛋白质的氨基酸序列应该可以让您完

Transformer 背后的计算模型是什么？Transformer 是非常强大的模型，但对人类来说也非常不直观，它们如何计算事物，以及信息如何流动？ 循环神经网络RNN比较直观，它与有限状态机中有直接的相似性，但 Transformer 没有这种熟悉的相似直观性：允许围绕架构变体或

各大互联网大厂谷歌、亚马逊、脸书和京东是如何通过词法、图或神经网络的嵌入方法实现查询匹配的？ 基于词法的技术是一种基本的、基于内容的方法，不需要构建知识图或大量行为数据，如果您要从头开始构建搜索系统，也许可以从这里开始。ElasticSearch和Lucene大部分都是开箱即用的。 如果

CS Peirce（皮尔士） 在 100 多年前发明了一种终极的“时间旅行逆转”。皮尔士是一位哲学家和逻辑学家，以其在数学基础和科学哲学方面的工作而闻名。在他的著作中，皮尔士勾勒出任何科

在过去的 20 年中，深度学习通过一系列有用的商业应用开始主导人工智能研究和应用。 现在，在一本新书中，IEEE 研究员[url= Grossberg[/url]认为需要一种完全不同的方法。[url=https:

大多数 ML 研究人员都缺少两个基本点： (1) 一旦有了因果模型，所有好的好处（例如，可解释性、迁移学习、公平性、数据融合等）都是可行的。 (2) 但是没有一个可行的因果模型。 深度学习DL = 戴着手铐的上帝的大教堂。 注： 机器学习是学习相关性（相关性不是因果

模块化对于任何颠覆性技术都是必不可少的。多年来，深度学习缺乏足够的混合功能来快速定制解决方案。一切都必须从头开始训练或微调。最新的创新正在取消这些限制。 模块化允许开发人员将现有模块与其他模块组合以生成定

当今业界使用的两种主要机器学习技术： [list] [*]1. 梯度提升树 [*]2. 深度学习 [/list] 将时间集中在学习 Scikit-Learn、XGBoost 和 Keras 或 PyTorch 等深度学习库，您将充分利用您的时间. 如果需要处理结构化数

[list] [*]连接组是生物体大脑中所有神经连接的地图，它有助于理解大脑内神经相互作用的组织。 [*]发布大脑中所有神经元和突触的完整映射非常复杂，2020 年 1 月，谷歌研究院发布了果蝇的“半脑”[url=

两条规则：概率链式法则和微积分链式法则，被命名为“链式规则”，对 ML 和 AI 的最新进展至关重要。 [b]概率链法则[/b] 概率链法则是大型语言模型最新进展背后的一个强大工具。通过将许多小事件的概率相乘，我们可以计算出由这些小事件组成的复杂事件的概率。 [c

遗传算法是一种用于优化或搜索问题的随机过程。它是一种受自然选择和进化启发的算法。我们将使用遗传算法来寻找COVID-19 SEIR参数。然后，我们将把这个结果与网格搜索法的结果进行比较。 有一些遗传算法库可供使用。然而，该算法是直观的，并不太复杂。因此，

自我监督学习推动了人工智能的许多重大进展，所谓自我监督学习：机器通过直接观察环境进行学习，而不是通过标记的图像、文本、音频和其他数据源进行明确的教导；虽然人们

在本文中，我们将讨论 HDF5 是最流行和最可靠的非表格数字数据格式之一。但是这种格式并未针对深度学习工作进行优化。本文建议应该采用什么样的 ML 原生数据格式才能真正满足现代数据科学家的需求。 [url=