提供科学养分
人工智能

模式识别 机器学习 智能算法 数据挖掘

让机器像人类一样思考:AI人工智能

让机器像人类一样思考:AI人工智能

提起人工智能(Artificial Intelliegnce,AI),很多人会首先想起斯皮尔伯格导演的曾获2002年奥斯卡奖的科幻电影AI,在电影里一对夫妇领养了一个机器人作为自己的孩子,这个机器人可以像人一样思考,具有喜怒哀乐,在它的身上发生了许许多多的故事。这样的科幻情景离现实又有多远呢?我们不妨先从人工智能的起源谈起。 人工智能一直是人们的追求 在历史上,我们一直觉着智能不只是人类所独有的,可以像人类一样进行推理和学习的机器是完全可能被制造出来的,然而事情却不像想的那样简单。 什么是人工智能? 在百科全书上,人工智能的定义...
19条评论 2013-10-28 小编: 若离花败
城市计算与大数据
2013-09-24
小编: 飞鸟相还 1条评论
编者按:近年来,随着感知技术和计算环境的成熟,各种大数据在城市中悄然而生。城市计算就是用城市中的大数据来解决城市本身所面临的挑战,通过对多种异构数据的整合、分析和挖掘,来提取知识和智能,并用智能来创造“人—环境—城市”三赢的结果。微软亚洲研究院主管研究员郑宇从城市计算的基本框架及核心问题、典型应用、...
人机交互领域那些令人兴奋的新技术
2013-08-08
小编: Garyoom 2条评论
  CHI是人机交互领域首屈一指的国际盛会,它的独特魅力就如今年的举办地巴黎——这座美丽的城市在无数游客心目中的形象一般。微软亚洲研究院人机交互组副研究员Koji Yatani带着自己最新的研究成果去往现场,除展示自己的作品外,他也看到了其他研究员分享的这个领域令人兴奋的新技术。那么,究竟是什么令他激动不已...
连线:人工智能的革命
2013-05-02
小编: Angela 暂无评论
《连线》1月刊:过去科学家曾认为,我们要模拟人类思考问题的方式,才能开发出成功的人工智能。但是我们其实对人脑怎样运行并不了解,更不用说模仿了。现在,人们开始把重点放在了更适合计算机运行的工作上,取得了不少进步。 曾经科学家们认为:只有成功模拟人脑,人工智能才可能成功。如今,科学家没能模拟出人类智慧...
大数据的含义(系列一到四)
2013-04-08
小编: 一抹云烟 暂无评论
作者:Michael Stonebraker 大数据的含义(一) 一个有趣的现象:相当一部分计算机学团体已重新制定了其研究课题、加盟到了“大数据”营销大旗麾下。由此来看,大数据显然已成为最时髦的术语。本人在数据库领域侵淫多年(根据定义,数据库就是处理大数据的),特撰写一套四篇博文来解释本人对“大数据”的理解,并论述我对...
支持向量机 SVM(Support Vector Machine) 入门
2013-04-08
小编: 若离花败 暂无评论
(一)SVM的八股简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。 支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模...
机器学习与互联网搜索:两大挑战和一大优势
2013-04-04
小编: 等待宿命 1条评论
当你打开互联网搜索引擎,输入关键词寻找并得到想要的链接时,“机器学习”已经贯穿整个过程:搜索到的内容是机器根据无数人搜索关键词的统计结果,返回的最可能被需要的目标信息;而同时,你的这一次搜索行为也已经被机器记录,加入到它的庞大无比的数据库中,用来了解人的搜索习惯和需求。 随着计算机与网络的飞速发展...
同构关系:大数据的数理哲学基础
2013-04-04
小编: 飞鸟相还 暂无评论
过去,人们认为人类与动物区别于劳动。但实际上,动物也有作用于物质世界的类似劳动的活动。因此,如何看待数据才是是否拥有智力的本质特征——只有人类才能认识事物的数与结构关系,并定量地、合目的地作用于对象。 在极其遥远的远古时候,占卜吉凶,预测未来,就是人类强烈的愿望,而实现的途径离不开数据。易经、八卦这...
大数据的前世今生,以及它所参与的那些着名战役
2013-04-03
小编: Angela 暂无评论
Big Data 是先知“关键报告”电影成真不远矣 最近一直在报章杂志上看到讨论有关《Big data》相关的应用,横跨金融交易、电子商务、决策制定、广告行销、医疗用药等。以前在几乎没有听闻这类型的技术,所以经过笔者调查把目前所知跟读者分享。《Big data》其实是大数据资料库加上处理方法的一个总称,其中包含资讯领域的《...
机器学习中的数学(1):回归(regression)、梯度下降(gradient descent)
2013-04-03
小编: Allu傾城 3条评论
前言: 这个系列主要想能够用数学去描述机器学习,想要学好机器学习,首先得去理解其中的数学意义,不一定要到能够轻松自如的推导中间的公式,不过至少得认识这些式子吧,不然看一些相关的论文可就看不懂了,这个系列主要将会着重于去机器学习的数学描述这个部分,将会覆盖但不一定局限于回归、聚类、分类等算法。 回归与...
机器学习中的算法(2):支持向量机(SVM)基础
2013-04-03
小编: Angela 暂无评论
一、线性分类器: 首先给出一个非常非常简单的分类问题(线性可分),我们要用一条直线,将下图中黑色的点和白色的点分开,很显然,图上的这条直线就是我们要求的直线之一(可以有无数条这样的直线) 假如说,我们令黑色的点 = -1, 白色的点 = +1,直线f(x) = w.x + b,这儿的x、w是向量,其实写成这种形式也是等价的f...
机器学习中的算法(1):决策树模型组合之随机森林与GBDT
2013-04-03
小编: 乔不死 暂无评论
前言: 决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等。但是同时,单决策树又有一些不好的地方,比如说容易over-fitting,虽然有一些方法,如剪枝可以减少这种情况,但是还是不够的。 模型组合(比如说有Boosting,Bagging等...
机器学习中的数学(5):强大的矩阵奇异值分解(SVD)及其应用
2013-04-03
小编: 若离花败 暂无评论
前言: 上一次写了关于PCA与LDA的文章,PCA的实现一般有两种,一种是用特征值分解去实现的,一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中,往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面,也很少讲任何跟特征值与奇异值有关的应用背景。奇异...
机器学习中的数学(4):线性判别分析(LDA), 主成分分析(PCA)
2013-04-03
小编: 若离花败 暂无评论
前言: 第二篇的文章中谈到,和部门老大一宁出去outing的时候,他给了我相当多的机器学习的建议,里面涉及到很多的算法的意义、学习方法等等。一宁上次给我提到,如果学习分类算法,最好从线性的入手,线性分类器最简单的就是LDA,它可以看做是简化版的SVM,如果想理解SVM这种分类器,那理解LDA就是很有必要的了。 谈到L...
机器学习中的数学(3):模型组合(Model Combining)之Boosting与Gradient Boosting
2013-04-03
小编: 乔不死 暂无评论
前言: 本来上一章的结尾提到,准备写写线性分类的问题,文章都已经写得差不多了,但是突然听说最近Team准备做一套分布式的分类器,可能会使用Random Forest来做,下了几篇论文看了看,简单的random forest还比较容易弄懂,复杂一点的还会与boosting等算法结合(参见iccv09),对于boosting也不甚了解,所以临时抱佛脚的...
当前第 1 / 3 页 : 123下一页 »