<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[KaikebaAI的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/KaikebaAI</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; KaikebaAI]]></copyright><item><title><![CDATA[生成对抗网络原理与实战]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124727956</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124727956</guid><author>KaikebaAI</author><pubDate>Thu, 12 May 2022 11:43:30 +0800</pubDate><description><![CDATA[在生成对抗网络(Generative Adversarial Network，简称 GAN)发明之前，变分自编码器被认为是理论完备，实现简单，使用神经网络训练起来很稳定，生成的图片逼近度也较高，但是人眼还是可以很轻易地分辨出真实图片与机器生成的图片。]]></description><category></category></item><item><title><![CDATA[一文概览时间序列]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124615223</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124615223</guid><author>KaikebaAI</author><pubDate>Fri, 06 May 2022 17:47:55 +0800</pubDate><description><![CDATA[这篇文章介绍了几种预测的建模概念，包括线性方法（MLR、套索、岭）、树集合（随机森林、XGBoost、LightGBM）、Bagging 和 Stacking。通过增加非线性方法的复杂度，并使用巧妙的抽样方法，我们在一个包含大约 400 个观察值的测试集上获得了 10% 的测试集 MAPE 分数。]]></description><category></category></item><item><title><![CDATA[强化学习与自动驾驶]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124453888</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124453888</guid><author>KaikebaAI</author><pubDate>Wed, 27 Apr 2022 16:19:23 +0800</pubDate><description><![CDATA[本文主要介绍强化学习在智能交通，尤其是自动驾驶领域的应用。首先带大家了解强化学习的内涵，然后分析如何构建强化学习的问题，最后会基于项目内容去讲解自动驾驶领域中如何应用强化学习。]]></description><category></category></item><item><title><![CDATA[搜索内容入库]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124323122</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124323122</guid><author>KaikebaAI</author><pubDate>Thu, 21 Apr 2022 15:33:48 +0800</pubDate><description><![CDATA[最近在做搜索推荐的东西，所以整理一些相关的内容和大家分享。]]></description><category></category></item><item><title><![CDATA[英特尔边缘软件中心介绍]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124294174</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124294174</guid><author>KaikebaAI</author><pubDate>Wed, 20 Apr 2022 11:57:22 +0800</pubDate><description><![CDATA[本文旨在介绍英特尔推出的边缘软件中心。]]></description><category></category></item><item><title><![CDATA[XGBoost详解]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124166500</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124166500</guid><author>KaikebaAI</author><pubDate>Thu, 14 Apr 2022 10:51:04 +0800</pubDate><description><![CDATA[原创：程祥国
1. XGBoost概述
XGBoost是陈天奇提出的一个端对端的梯度提升树系统，该算法在GBDT【关于GBDT这里不再展开叙述，可以参考李航老师统计学习方法一书中对该算法的讲述】的基础之上，在算法层面和系统设计层面都做了一些创新性的改进，可以把XGBoost看作是GBDT更好更快的实现。XGBoost在许多机器学习以及数据挖掘的任务中表现惊艳，2015年，kaggle竞赛平台上发布了29个挑战获胜的解决方案，其中17个解决方案用了XGBoost。由于XGBoost在实际任务中的良好表现，因此]]></description><category></category></item><item><title><![CDATA[自动驾驶概述]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124152555</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124152555</guid><author>KaikebaAI</author><pubDate>Wed, 13 Apr 2022 17:08:48 +0800</pubDate><description><![CDATA[自动驾驶技术正推动中国人工智能、互联风、汽车产业、交通产业的融合与创新发展。回顾2021年，互联网、科技企业加速布局自动驾驶行业，产业各方的融合推动了其商业化落地进程。伴随着大量资本涌入，政策监管体系初步搭建，中国自动驾驶产业已然驶入快车道。]]></description><category></category></item><item><title><![CDATA[词嵌入（WORD2VEC）]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/124015324</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/124015324</guid><author>KaikebaAI</author><pubDate>Thu, 07 Apr 2022 14:16:39 +0800</pubDate><description><![CDATA[原创：李孟启
1.前言
⾃然语⾔是⼀套⽤来表达含义的复杂系统。在这套系统中，词是表义的基本单元。顾名思义，词向量是⽤来表示词的向量，也可被认为是词的特征向量或表征。把词映射为实数域向量的技术也叫词嵌⼊ （word embedding）。近年来，词嵌⼊已逐渐成为⾃然语⾔处理的基础知识。
2.为何不采⽤ONE-HOT向量
假设词典中不同词的数量（词典⼤⼩）为NNN，每个词可以和从000到N−1N-1N−1的连续整数⼀⼀对应。这些与词对应的整数叫作词的索引。 假设⼀个词的索引为 iii，为了得到该词的one-ho]]></description><category></category></item><item><title><![CDATA[机器阅读理解（MRC）必看论文 - RNET]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123893636</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123893636</guid><author>KaikebaAI</author><pubDate>Fri, 01 Apr 2022 11:29:54 +0800</pubDate><description><![CDATA[原创：张春阳
数据集

SQuAD
QA

原始论文
r-net.pdf

论文中只介绍了原理和方法，并没有给出代码
找到的代码为第三方复现
需要注意，本篇中的 passage 就是之前我们说过的 context

任务样本
从原文中找到一个连续的 sub-span
Passage: Tesla later approached Morgan to ask for more funds to build a more powerful transmitter. When asked where all th]]></description><category></category></item><item><title><![CDATA[横看成岭侧成峰——从谱的视角出发]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123711233</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123711233</guid><author>KaikebaAI</author><pubDate>Thu, 24 Mar 2022 15:11:29 +0800</pubDate><description><![CDATA[前段时间发布的《图卷积神经网络打怪升级之路》一文介绍了图卷积神经网络的诞生以及三代经典 GCN 模型。该文介绍 GCN 开山之作 SCNN 时提到：“SCNN 利用谱域变换定义了 Graph 上的卷积核”，但是并没有解析所谓“谱域变换”为何物。本文将立足于谱图理论，更加详细地对"图的谱域变换"进行介绍。本文的理论性较强，相信阅读完本文的同学们可以更加深刻的从频谱角度看待 Graph 数据。虽然当下的图卷积模型越来越倾向于空域方法，但具有独特数学之美的谱域方法依然怀揣着自己独到之处，等待同学们研究、挖掘。]]></description><category></category></item><item><title><![CDATA[详解推荐系统的算法与应用]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123691889</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123691889</guid><author>KaikebaAI</author><pubDate>Wed, 23 Mar 2022 17:39:00 +0800</pubDate><description><![CDATA[如果你想购物，推荐系统会帮你先“看”你想买的东西；如果你想看新闻，推荐系统会帮你先“挑”你喜欢的内容；如果你想刷剧，推荐系统会帮你“筛”掉你不喜欢的电视剧；如果你想学习，推荐系统会“考”你相关的题目；如果你想放松，推荐系统会给你“听”你爱听的音乐，这些都是推荐系统在日常生活中的具体的应用场景。]]></description><category></category></item><item><title><![CDATA[自然语言处理与企业对话系统设计]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123531677</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123531677</guid><author>KaikebaAI</author><pubDate>Wed, 16 Mar 2022 17:30:20 +0800</pubDate><description><![CDATA[原创：晏茜
资料来源：李俊
本文分享的主题分为两个部分，第一部分内容是关于企业级对话系统的简介，第二部分探讨对话系统和自然语言处理技术结合的领域。
1. 企业对话系统

我们首先来介绍一下企业级对话系统。谷歌的 CEO 桑达尔在 16 年曾发表言论，人工智能将通过各式各样的智能助手来改变我们的生活方式。现在，智能助手切实存在于日常生活的方方面面。举个简单的例子，以前，我们在获取城市的交通拥堵的情况最主要的方式是我们的交通广播，而现在我们可以通过各式各样的 APP 准确的获取所在城市的实时交通情况，这是属于智]]></description><category></category></item><item><title><![CDATA[语言模型理论与实战]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123397389</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123397389</guid><author>KaikebaAI</author><pubDate>Thu, 10 Mar 2022 11:31:18 +0800</pubDate><description><![CDATA[原创：李孟启
1、前言
什么是语言模型（language model）？简单地说，语言模型就是用来计算一个句子的概率的模型，也就是判断一句话是否是人话的概率。
语言模型的应用比较广泛，可⽤于提升语⾳识别和机器翻译的性能。例如，在语音识别的过程中，给定一条语音“厨房里食油用完了”的语音，机器可能会把语音输出为“厨房⾥⻝油⽤完了”和“厨房⾥⽯油⽤完了”这两个读音相同的文本序列，如果通过提前训练好的语言模型，对识别的这两个句子进行概率计算可以判断出前者的概率大于后者的概率，我们就可以认定为句子概率较大的“厨房⾥⻝]]></description><category></category></item><item><title><![CDATA[Embedding原理到实战]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123381856</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123381856</guid><author>KaikebaAI</author><pubDate>Wed, 09 Mar 2022 16:58:50 +0800</pubDate><description><![CDATA[原创：王稳钺
资料来源：张春阳
词向量被应用在非常非常多的场景中，甚至可以说跟文字相关的互联网应用基本上都会跟词向量有关系。本文主要从应用、发展以及实战代码来介绍词向量。
1. 词向量的应用
搜索引擎是人们每天都在使用的产品，搜索引擎其实就是利用词向量技术来进行搜索的。搜索引擎是如何工作的呢？其实主要分为三步。第一步，搜索引擎需要爬取互联网上所有的文章，把这些文章全部都转化成词向量。第二步是要将搜索词也转化为词向量。最后一步就是用搜索词的词向量与文章转变成的词向量进行相似度的比较，再把与搜索词相似的文章返回]]></description><category></category></item><item><title><![CDATA[NLP炼丹技巧合集]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123256262</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123256262</guid><author>KaikebaAI</author><pubDate>Thu, 03 Mar 2022 15:57:01 +0800</pubDate><description><![CDATA[原创：郑佳伟
在NLP任务中，会有很多为了提升模型效果而提出的优化，为了方便记忆，所以就把这些方法都整理出来，也有助于大家学习。为了理解，文章并没有引入公式推导，只是介绍这些方法是怎么回事，如何使用。
一、对抗训练
近几年，随着深度学习的发展，对抗样本得到了越来越多的关注。通常，我们通过对模型的对抗攻击和防御来增强模型的稳健性，比如自动驾驶系统中的红绿灯识别，要防止模型因为一些随机噪声就将红灯识别为绿灯。在NLP领域，类似的对抗训练也是存在的。
简单来说，“对抗样本” 是指对于人类来说“看起来”几乎一样、但]]></description><category></category></item><item><title><![CDATA[竞赛大杀器：树模型与集成学习]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123231996</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123231996</guid><author>KaikebaAI</author><pubDate>Wed, 02 Mar 2022 15:39:04 +0800</pubDate><description><![CDATA[原创：晏茜
资料来源：Mozak
竞赛无论对于在校生亦或是在职的同学，都是一种非常好的学习方式。为什么数据人才要参加竞赛呢？首先，Kaggle，天池，百度的飞桨等竞赛平台为数据人才提供了优质的竞赛环境；其次，竞赛是符合国家政策导向的，2021年《十四个五年规划和 2035 年远景目标纲要》中明确提出，强化国家战略科技力量，加快数字化发展的发展目标；除此之外，面对社会对数据人才的广泛需求，数据人才更应紧跟技术发展与产业升级的脚步，了解竞赛对于个人成长与发展的价值，积极参与竞赛。
本文主要围绕树模型与集成学习的]]></description><category></category></item><item><title><![CDATA[机器阅读理解（MRC）必看论文 - BiDAF]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123118454</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123118454</guid><author>KaikebaAI</author><pubDate>Thu, 24 Feb 2022 18:57:54 +0800</pubDate><description><![CDATA[原创：张春阳

应用和数据集

QA
SQuAD

后续影响

ELMo
BERT

原始论文
BI-DIRECTIONAL ATTENTION FLOW FOR MACHINE COMPREHENSION.pdf

原文的主要阅读难度在于，有大量的 block 组装在一起
这些模块又由很多复杂的符号组装在一起

模型概览
Type of MRC

Open-domain vs Closed-domain
Abstractive vs Extractive
Ability to answer non-fac]]></description><category></category></item><item><title><![CDATA[人工智能的落地及未来的发展]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/123091114</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/123091114</guid><author>KaikebaAI</author><pubDate>Wed, 23 Feb 2022 15:23:49 +0800</pubDate><description><![CDATA[原创：晏茜
资料来源：张春阳
0 什么是人工智能
什么是人工智能呢？不同人对人工智能的定义是不尽相同的，这里给大家总结了人工智能的不同类型的定义。
① AI 就是让人觉得不可思议的计算机程序。
首先，第一种定义是，AI 就是让人觉得不可思议的计算机程序。原来我们对于程序的认知可能仅限于它可以纯粹的做一些机械的、重复的动作，这是普通的计算机程序的作用，而如果我们发现某个程序已经超出了这样的认知范围了，我们就可以认为它是一个人工智能的程序。
② AI 就是与人类思考方式相似的计算机程序。
第二种定义是，AI 是]]></description><category></category></item><item><title><![CDATA[智能科学反思与展望]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/122987349</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/122987349</guid><author>KaikebaAI</author><pubDate>Thu, 17 Feb 2022 17:05:11 +0800</pubDate><description><![CDATA[本文主要从脑科学、思维科学以及辩证逻辑三个方面，对现阶段的智能科学做出一个探讨及未来发展的展望。]]></description><category></category></item><item><title><![CDATA[AI行业分析与面试指南]]></title><link>https://blog.youkuaiyun.com/KaikebaAI/article/details/122967205</link><guid>https://blog.youkuaiyun.com/KaikebaAI/article/details/122967205</guid><author>KaikebaAI</author><pubDate>Wed, 16 Feb 2022 16:51:43 +0800</pubDate><description><![CDATA[原创：晏茜
资料来源：陈旸

近年来，人工智能行业的受欢迎程度是有目共睹的，越来越多的人想要加入 AI 这个行业。但是在我们正式开始求职之前，应该进行理性的分析，了解现阶段 AI 行业的发展趋势，AI 行业需要什么样的人才，AI 人才需要掌握什么样的知识技能才能谋求更好的职业发展机会，本文将带大家深入了解 AI 发展趋势和 AI 人才必备技能，希望能够帮助求职者找到正确的方向。
本文将大致分为三个方向。首先我们先带大家了解一下我们所处的时代有哪些关键的技术变革；其次，会带大家了解除了大厂以外，还有哪些传统的]]></description><category></category></item></channel></rss>