刘铁岩谈机器学习：随波逐流的太多，我们需要反思

最新推荐文章于 2022-07-20 15:17:52 发布
最新推荐文章于 2022-07-20 15:17:52 发布
阅读量207 收藏
点赞数
分类专栏： 机器学习
本文深入探讨了人工智能算法标注过程中的核心技巧与策略，旨在提升标注效率与准确性。文章详细讲解了不同场景下的最佳实践，以及如何利用最新技术工具优化工作流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习没落了。你不知道的认知智能机器人大脑道API接口道翰天琼-3。
m0_47891641的博客
07-16 208
这篇文章的内容取自我编辑的电子期刊《人工智能大势》第20期，2020年4月7日发表。由于这部分内容特别长，且有些意犹未尽，故将其提取出来，作一些补充，独立成一篇文章。 　　最近有一篇文章比较有意思，标题为《刘铁岩谈机器学习：随波逐流的太多，我们需要反思》，刘铁岩是微软亚洲研究院副院长、博士，文章是他最近一次在线公开课的演讲内容。 　　这篇文章非常长，前面主要介绍微软亚洲研究院在人工智能上的一些研究成果，如对偶学习解决机器学习对大量有标签数据的依赖、解决...
分布式机器学习：算法、理论与实践
chenxuanhanhao的专栏
08-07 6145
分布式机器学习笔记 刘铁岩老师出的新书《分布式机器学习：算法、理论与实践》中摘录了一些笔记，总体来说这本书偏向综述，给出了大量的参考文献，可供后续进一步学习 数据与模型并行 数据并行 数据样本切分方式 随机采样（有放回） 优点：满足局部数据与原始数据是独立同分布 缺点：1）数据量大时全局采样复杂度比较高2）少量出现的样本有可能 置乱切分（无放回） ...
崇志宏 转“博弈机器学习”-东南大学机器学习
chognzhihong_seu的博客
04-26 1718
博弈机器学习和贝叶斯学习可以看成集成目前机器学习组件的理论框架，解决从感知到认知的人工智能技术问题。崇志宏 http://cse.seu.edu.cn/people/zhchong/index.htm 刘铁岩：博弈机器学习是什么？ 作者：微软亚洲研究院首席研究员 刘铁岩 拖至文末查看相关论文 人工智能早就不是一个新词了。早在六十年前，在达特茅斯学院举
mdi 之df和mlr
yuyantai1234的专栏
01-06 6322
MDI为 媒体流丢失率和延迟的组合评价指标 　　MDI(Media Delivery Index)媒体传输质量指标是由思科公司和IneoQuest共同提出的，对视频流在IP网络传输质量进行评估的测量指标。作为IP视频流传输质量测试的行业标准，MDI测量指标广泛地应用于IPTV和IP有线数字电视网络质量评估和监测。 　　对IP视频流的传输质量用RFC 4445 MDI标识为： D
记两例有趣的电脑故障
weixin_34417635的博客
06-11 166
博客已搬家，请在我的网易博客“网络技术”分类中查找，谢谢浏览～ http://iflycn.blog.163.com 转载于:https://blog.51cto.com/iflycn/29599
【技术】DTEmpower核心功能技术揭秘(4）- MDI/MDA特征选择技术
TianFuRuanJian的博客
07-20 737
本系列的第四篇主题将介绍“特征工程”，正所谓“数据和特征决定了机器学习模型的上限，算法则是在不断逼近这个上限”，数据建模分析中，设计数据问题的输入输出特征是非常关键的环节。除此之外，为了降低用户特征选择所需的专业要求，天洑进一步针对性地研发出低门槛的MDI/MDA特征重要性功能，用户可以清晰的看到每个特征对输出变量的“贡献”，通过自由设置重要性阈值，可以轻松筛选出对建模增益贡献最大的特征子集。数据和特征决定了模型的上限，因此，在进行具体的模型训练之前，进行精细化的特征工程是搭建高精度模型的必要条件。...
微软亚洲研究院机器学习组的首席研究员刘铁岩谈AI
liuyuehui的专栏
07-31 2312
作者：微软亚洲研究院 链接：https://www.zhihu.com/question/46563853/answer/153380355 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 针对这个问题，我们邀请了微软亚洲研究院机器学习组的首席研究员刘铁岩博士，为大家带来他眼中人工智能现状，包括面临的挑战与机遇。 <img src=
刘铁岩博士揭秘大规模机器学习：算法与系统创新
刘铁岩博士强调，人类大脑的神经元数量（1011个）和连接数（1015个）远超当前任何机器学习模型，这提示我们还有很大的进步空间。为了逼近这种规模的模型，未来的研究可能需要发展更灵活的模型并行和更新策略，同时...
MSRA刘铁岩：AI时代，机器学习的最新技术趋势解读
03-08
MSRA
刘铁岩：分布式机器学习与未来研究趋势
“刘铁岩关于分布式机器学习的讲座，涵盖了对未来研究方向的讨论，涉及到深度学习、AI、分布式系统和大规模机器学习等关键领域。” 在本次讲座中，刘铁岩，作为微软亚洲研究院的副院长，一位IEEE会士及ACM杰出科学...
分布式机器学习：逻辑回归的并行化实现（PySpark）
www_xuhss_com的博客
05-28 614
🚀 优质资源分享 🚀 学习路线指引（点击解锁） 知识定位 人群定位 🧡 Python实战微信订餐小程序 🧡 进阶级 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 💛Python量化交易实战💛 入门级 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 1. 梯度计算式导出 我们在博客《统计学习：逻辑回归与交叉熵损失（Pytorch实现）》中提到，设www为权值(最后一维为偏置)，样本总数为NNN，{(xi,yi)}N
MDI和MDI_X
Jian Sun_的博客
07-01 6549
现在的设备已经可以自适应了。 MDI和MDI-X只在级连是用的，如果口子是MDI则你需要用一根交叉线来连接2台交换机，如果是MDI-X则不需要用交叉线了，直通即可！ 说白了 MDI--MDI交叉线MDI---MDI_X 直通线 路由器的以太网接口、主机的NIC (Network Interface Card)的接口类型MDI Hub(集线器)的接口类型MDI_X 交换机的...
机器学习之集成学习（三）
weixin_30241919的博客
06-26 162
1.RF和bagging的联系 RF是对bagging的进化版，首先都是有放回的进行采样，获得n个训练集从而训练n个弱分类器，但是RF在随机选取的训练集的基础上对于特征的选择也是随机的，随机的选取一部分的特征进行弱分类器的构建，同时在划分建树的过程中也是从这些随机选取的部分特征中选择最优的特征。 2.AdaBoost和GBDT的区别 它俩都是boost家族的一员都属于加法模型，当前树的建立都是在...
【java毕业设计】喀什美食订餐网源码（ssm+mysql+说明文档+LW+PPT）.zip
最新发布
08-13
基于SSM框架的喀什美食订餐网的前台包含了用户注册、菜品列表、菜品排行、在线点餐和菜品收藏功能，下面是对这些功能的详细介绍： （1）用户注册功能：允许新用户创建自己的账户，并提供基本信息如用户名、密码等。注册完成后，用户可以登录到系统中进行后续操作。 （2）菜品列表功能：展示了所有可供选择的菜品，每个菜品都配有详细的描述、图片和价格等信息。用户可以通过搜索功能快速找到自己感兴趣的菜品，也可以按照分类或关键词进行筛选和排序。 （3）菜品排行功能：显示了当前最受欢迎或高评分的菜品，帮助用户挑选热门菜品，并参考其他用户的评价和推荐。 （4）在线点餐功能：允许用户在浏览菜品后直接下单，选择餐厅、菜品数量和其他相关选项。用户还可以添加特殊要求或备注，以满足个性化的需求。提交订单后，用户可以实时查看订单状态并付款。 完整前后端源码，部署后可正常运行！ 环境说明 开发语言：Java后端 框架：ssm，mybatis JDK版本：JDK1.8+ 数据库：mysql 5.7+ 数据库工具：Navicat11+ 开发软件：eclipse/idea Maven包：Maven3.3+ 部署容器：tomcat7.5+
电力电子仿真技术解析：MMC、HVDC与微电网的建模与应用
08-13
电力电子仿真领域的关键技术，重点讨论了模块化多电平换流器(MMC)仿真、高压直流输电(HVDC)仿真以及微电网仿真。首先，通过MATLAB Simulink环境构建MMC仿真模型，研究其工作原理和性能特点，特别是如何通过级联子模块实现高电压、低谐波的效果。其次，探讨了柔性直流输电(VSC-HVDC)仿真，涉及SPWM、NLM、CPS-PWM等调制技术的应用，展示了这些技术如何提升系统的灵活性和稳定性。最后，针对微电网仿真，模拟了风电、光伏、储能等多种能源形式的协同工作，优化微电网的设计和运行。 适合人群：从事电力系统研究的技术人员、高校师生及相关领域的研究人员。 使用场景及目标：适用于电力系统设计、优化和故障诊断的研究项目，帮助理解和掌握电力电子仿真技术的基本原理和实际应用。 其他说明：文中提供了部分MATLAB伪代码示例，便于读者理解和实践。同时鼓励进一步咨询和探讨相关话题，以深化对电力电子仿真的认识。
基于群智能算法优化随机森林分类预测的MATLAB实现及性能对比
08-13
利用多种群智能算法（如粒子群优化、阿基米德优化、黏菌优化、麻雀优化和狼群优化）对随机森林（RF）进行参数优化的方法及其MATLAB代码实现。重点讨论了每种算法的工作原理、代码片段及其实验效果。实验结果显示，在UCI乳腺癌数据集上，不同算法优化后的RF模型表现各异，其中麻雀算法优化的RF模型达到了最高的准确率95.7%。 适合人群：对机器学习尤其是随机森林算法有一定了解的研究人员和技术爱好者，熟悉MATLAB编程环境。 使用场景及目标：适用于希望提高随机森林模型分类预测性能的研究项目或应用开发。主要目标是通过引入不同的群智能算法来优化随机森林的关键参数（如树的数量和最小叶子节点数），从而提升模型的整体性能。 其他说明：文中还提供了一些实用的小技巧，例如可以先使用收敛速度快的算法确定大致参数区间，然后采用精度更高的算法进行细调。此外，作者提到可以通过私信获取最新的混合优化方案。
基于 C# WinForm 技术的字体编辑器
08-13
在 Windows 桌面应用开发中，文本编辑工具是非常常见的需求，而字体样式的自定义更是提升用户体验的重要功能。本文将基于 C# WinForm 技术，解析两个字体编辑器版本（基础版与进阶版）的实现思路，带你了解如何从零开始构建一个支持字体自定义的文本编辑工具。 项目结构概览 整个项目包含两个主要版本： 字体编辑器（基础）：实现基本的字体样式设置功能 字体编辑器（进阶）：在基础版之上增加了右键菜单、更丰富的字体设置选项 两个版本均基于.NET Framework 4.7.2 开发，采用 WinForm 传统桌面应用架构，主要包含主窗体（Form1）和字体设置窗体（Form2）两个核心界面。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值