深度学习教程

机器学习中可理解性interpretability和可解释性explainability是两个重要概念，对建立值得信赖和道德的AI系统非常重要。在机器学习和人工智能的背景下，可理解性和可解释性经常互换使用。尽管它们之间有着密切的联系，一旦您开始更深入地研究机器学习系统，事情就会变得多

使用平白语言而不是复杂数学图表公式讲明白监督学习、无监督学习和强化学习、半监督学习、自主学习等关键区别。 监督学习监督学习可能是我们都听说过的最常见的问题类别。我们从示例及其对应标签（或答案）的数据集开始，然后，我们训练一种模：在这些

人工智能的先驱人物朱迪亚·珀尔（Judea Pearl）认为，人工智能已经陷入了长达数十年的困境。前进的处方是什么？教机器学会了解原因。人工智能归功于Judea Pearl。在1980年代，他领导了使机器能够进行概率推理的工作。现在，他是该领域最犀利的批评家之一。在他的最新著作《

谷歌发布了一种NLP模型，称为pQRNN，它以最小的模型尺寸提高了NLP性能的最新水平。pQRNN的新颖之处在于它如何将简单的投影操作与准RNN编码器相结合

介绍了AI的关键概念和方法，涵盖了机器学习和深度学习，并提供了包括Narrow AI，Super Intelligence和Classic AI在内的最新广泛列表，以及NeuroSymbolic AI，Neuroevolution和Federated的最新思想学习。 

Apache Spark是一种广泛使用的数据处理技术，并且被机器学习用户大量使用。Spark可用于对产品进行分类，预测需求并个性化建议。尽管Spark支持多种编程语言，但首选的Spark SDK是为Scala实现的，大多数深度学习框架都没有很好地支持它。大多数机器学习框架都倾向于将Pytho

微软和谷歌一直在积极研究用于训练深度神经网络的新模型。这项工作的结果是发布了两个新框架：  Microsoft的PipeDream 和 

就像生活中的大多数事物一样，假设前提直接决定了成功或失败的方向。同样，在机器学习中，了解机器学习技术背后的假定逻辑将引导您朝着为数据应用最佳工具迈进。  K-NN（K最近的邻居）假设前提：<

数据标记通常是机器学习的最大瓶颈-查找，管理和标记大量数据以建立性能良好的模型可能需要数周或数月的时间。主动学习使您可以使用少得多的标签数据来训练机器学习模型。最好的人工智能驱动公司，例如

无需购买即可进行深度学习，有更好（和更便宜）的选择。这里：Google ColabSagemakerKaggleAzure NotebooksIBM DataPlatform Notebooks

随着人工智能最新技术的发展，AI正在摆脱狭义的专业定向的人工智能（AI）的局限，而进入暮光区，即专业AI与通用AI之间的模糊区

在过去的6年中，我一直在进行NLP / ML研究。我遇到了很多机器学习资源和论文。今天，我一直在思考与机器学习/ NLP /深度学习相关的博客文章（而非论文），这些文章对我来说是具有变革性的。在此博客文章中，我提供了一些简短的集合，其中包括一些想到的高影响力博客文章。 1）递

如果简单的机器学习方法可以令人满意地解决您的问题，则没有太多理由使用神经网络，因为训练它们在时间和计算能力方面往往很昂贵。对于传统的机器学习方法而言，最有效的问题是涉及结构化数据，这些数据即是已经被理解的结构和标签之间的关系。例如，一个数据表将一个人的某些特征（例如年龄，孩子的数量，

为了在深度学习代理中实现“想象力”，DeepMind团队依赖于称为I2A的聪明的神经网络架构。I2A体系结构的关键元素是一个称为Imagination Core的组件，该组件使用环境模型，在获得有关当前环境的信息的情况下，对其未来状态进行预测。对于指定过去的状态和当前的动作，这个环境

预训练语言模型