IT思维

机器学习是目前计算机领域最火的技术之一，从电商到自动驾驶，都有机器学习的应用。

由于机器学习系统容易受到历史数据引入的偏见而导致歧视性行为，人们认为有必要在某些应用场景中用公平性准则约束系统的行为，并期待其能保护弱势群体和带来长期收益。

换句话说，无论你的公司是否位于欧盟，只要你的客户或用户中有欧盟国家公民，并且处理他们的数据，GDPR 就会对你的业务产生非常重要的影响。

机器学习是一种比手工编程更为高效的解决方案，通过对于数据的分析和学习来解决一系列广泛复杂的问题。

关于深度学习性能，还有很多不明之处。例如，你怎么进行测量？你应该测量什么？在不久之前的 GTC 2018，英伟达 CEO 黄仁勋介绍了 PLASTER 框架，从可编程性到学习率 7 大挑战来评测深度学习性能。

人类对于学习具有无可比拟的优秀能力，我们可以从一个简单的样本中学习到整类事物的抽象特征，而算法却需要成千上万的样本来习得认知。

哈希算法一直是索引中最为经典的方法，它们能高效地储存与检索数据。

虽然强化学习问题的一般形式可以有效地推理不确定性，但强化学习和概率推断的联系并不是很明显。

2017 年 5 月份，前微软人工智能首席科学家、IEEE Fellow 邓力离职，加盟华尔街对冲基金公司 Citadel

你是如何骑自行车出门的？强化学习模型要如何模仿？

最优化是指由变量x构成的目标函数f(x)进行最小化或最大化的过程。在机器学习或深度学习术语中，通常指最小化损失函数J(w)，其中模型参数w∈R^d。

什么是集成方法？集成方法是一种机器学习技术，他结合了多个基本模型，目的是获取一个最佳预测模型。

本文就将介绍这两年来我所学到的经验。

机器学习是人工智能的一个分支，也是人工智能的一种实现方法。

我们都知道变色龙可以改变皮肤的颜色纹理，而如今深度学习技术甚至可以做到将一只猫的图像同时转变为狗、甚至狮子和老虎的图像。

正在让这个时代激动不已，但也正引发不少担忧。被誉为机器学习之父的美国三院院士、伯克利教授Michael I.Jordan昨天在美国知名科技媒体Medium上，难得的发布了他的第一篇文章。

这篇文章将介绍几种用于机器学习探索性数据分析的数据类型，以便正确的把握和利用数据。

在生物学和医学领域，显微镜技术可以帮助研究人员观察到肉眼看不到的细胞和分子的细节。透射光学显微镜将生物样本的一侧照射并成像，这种显微镜相对简单，活体培养物可以很好地耐受，但是生成的图像可能难以准确评估。

恩达对话Yann LeCun：从相识Hinton到深度学习崛起

机器学习可以为广泛的行业带来真真切切的商业价值——前提是机器学习已经真正地投入使用。

长期以来，我一直主张，统计学家（及其他数据科学家）应该精通多门编程语言。15 年前，我说过这样一句话，“性能要求高的场景用 C，交互式数据分析和图表用 R，操作数据文件用 Perl。”现在，我会用 C++ 替换 C，用 Python 或 Ruby 替换 Perl，但基本思想保持不变：使用最合适的语言解决手头的问题。

他在采访中表示 AI将会改变很多企业，并创造全新的商业模式，同时还探讨了企业将如何从 AI技术中获益。

机器学习虽然能够在很多地方显示出强大的力量，同时也被集成到了很多的商业流程中去，但它依旧有一些不完美的地方，今天我们就通过一些典型的例子来深刻感受一下机器学习的局限性。

Michael I.Jordan的重要贡献则包括指出了机器学习与统计学之间的联系。

他们在论文摘要中这样陈述这篇论文的价值：推进可解释性AI发展的重要一步。