【机器学习】无处不在的机器学习

2019 年 8 月 18 日 产业智能官
【机器学习】无处不在的机器学习


0 1
概览



  • 我们正处于由机器学习应用引领的改革中

  • 以下是我们可能每天都会看到的机器学习应用实例

  • 这些用例包括了从智能手机中的机器学习应用,到我们每天进行的交易等


介绍


想象一下---明天你将参加你长期以来一直渴望的机器学习岗位面试。一切都需要提前准备计划,否则可能会搞砸。


所以,你告诉你的虚拟助手:

  • 定一个明天早上7点的闹钟

  • 预约8:30的Uber直接去面试地点

  • 估算乘车费

  • 在Google地图上预估可能需要的时间

  • 最后,整理在面试前需要的资源清单


所有这一切您都无需移动或花时间输入。你所做的只是与你的虚拟助手说话,这样为该系统提供动力的机器学习算法就开始工作了!



机器有一个人类水平的心灵不是一个未来的场景--就是现在!由于计算能力的进步以及机器学习的应用,我们正生活在真正的全球革命之中。那么,让我们来看看日常生活中最常见的机器学习用例(有时甚至没有意识到它是机器学习)。


我们将覆盖到的机器学习用例

  1. 智能手机中的应用

  2. 运输优化

  3. 主流Web服务

  4. 销售和营销

  5. 安全

  6. 财务领域

  7. 其他热门用例



0 2
智能手机中的机器学习



您是否知道机器学习能够支持智能手机上的大部分功能?


从设置闹钟的语音助手,到寻找最好的餐厅,再到通过面部识别解锁手机---机器学习在真正嵌入到我们最喜欢的设备中。


语音助理


我们在介绍中看到了与虚拟助手交谈的例子,这完全是语音识别的概念---一个机器学习的新兴话题。


参考:

https://www.analyticsvidhya.com/blog/2019/07/learn-build-first-speech-to-text-model-python/



语音助手现在无处不在。你肯定使用过(或至少听过)以下这些流行的语音助手:

  • Apple的Siri

  • Google智能助理

  • 亚马逊的Alexa

  • Google Duplex

  • 微软的Cortana

  • 三星的Bixby


所有这些语音助手之间的共同点是它们由机器学习算法驱动!这些语音助手使用自然语言处理(NLP)识别语音(我们说的话),使用机器学习将它们转换为数字,并制定相应的响应。


随着机器学习技术变得更加先进,这些助手在未来变得更加智能,这个领域已经成熟。您可以通过以下精彩教程学习构建自己的语音识别系统:


  • 学习如何构建自己的语音到文本模型(使用Python)

    https://www.analyticsvidhya.com/blog/2019/07/learn-build-first-speech-to-text-model-python/


智能手机相机


机器学习与智能手机的相机有什么关系?事实证明,关系相当大。


现如今我们能够获取令人难以置信的图像以及这些图像的深度---所有这些都归功于机器学习算法。他们分析给定图像中的每个像素,以检测物体,模糊背景和一系列技巧。



这些机器学习算法可以做几件事来改进和增强智能手机相机的效果:

  • 对象检测,用于定位和单独显示图像中的对象(或人)

  • 填补图片中缺少的部分

  • 使用特定类型的神经网络使用GAN来增强图像,甚至通过想象图像的外观来扩展其边界等。


有兴趣阅读更多有关如何使用机器学习来构建自己的智能手机相机软件的信息吗?你的等待结束了!这是一个完美的教程,可以帮助您:


  • Google Pixel相机背后的深度学习技术简介!

    https://www.analyticsvidhya.com/blog/2019/02/tutorial-semantic-segmentation-google-deeplab/


App Store和Play商店推荐


我喜欢Google Play和Apple的App Store的推荐功能。“推荐给你”基于我在手机上安装的应用程序(或之前使用过的)。


很多人不知道的是,我们的智能手机使用了一种称为面部识别的技术来做到这一点。面部识别背后的核心理念是--你猜对了---机器学习。



面部识别的应用非常广泛,世界各地的企业和组织已经从中获益:

  • Facebook用它来识别图像中的人物

  • 政府正在利用它来识别和抓捕罪犯

  • 机场用于验证乘客和机组人员,等等


面部识别模型的使用在未来几年内只会越来越多,所以为什么不自学如何从头开始构建一个?

  • 面部识别简介(使用Python代码)

    https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/



0 3
运输业中的机器学习



在过去十年中,机器学习在运输行业的应用已经达到了完全不同的水平。这与Uber,Lyft,Ola等乘车应用程序的兴起是同步的。


这些公司在自己的众多产品中使用机器学习,从规划最佳路线,到决定路线上涨的价格。那么让我们看一下运输中使用机器学习的一些常见用例。


旅行中的动态定价


您经常对出租车公司使用的激增价格感到沮丧吗?我每天都会在上下班途中遇到这种情况。价格似乎永远都在上涨。为什么会这样?!



想象一下,你正在启动一个用车业务。您需要计划城市中每条路线的乘车价格,既能吸引客户,又能同时提高您的底线。一种方法是手动将价格映射到每条路线,但不是理想的解决方案。


这是动态定价起着至关重要作用的地方。这意味着可以根据不断变化的市场条件调整价格。因此,价格取决于位置,时间,天气,整体客户需求等因素。这是为什么引入激增定价背后的基本思想。


动态定价是各种行业中蓬勃发展的做法,例如旅行,酒店,交通和物流等。


交通和通勤 - 优步


动态定价并不是Uber使用的唯一机器学习应用。他们在很大程度上依赖机器学习来确定乘客从A点到B点的最佳路线。



对我们来说,它似乎是一个相当简单的解决方案。把你的位置,目的地和最近的司机来接我们。但看起来很简单的,实际上在Uber后端是复杂的架构和服务网络。


目前有多种机器学习技术可以优化我们的路线。


查看Uber的这篇文章,他们更多地讨论如何使用机器学习来识别有效的路线:

  • 优步工程师如何实现高效路线

    https://eng.uber.com/engineering-an-efficient-route/


谷歌地图


你应该已经猜到这个了。Google地图是机器学习应用的主要例子。事实上,我建议立即开放谷歌地图并选用它提供的不同功能。



以下是我能看到的(并且已广泛使用):

  • 路线:从A点到B点

  • 估计这条路线的行程时间

  • 沿途交通情况

  • “探索附近”功能:餐厅,汽油泵,自动取款机,酒店,购物中心等。


Google使用大量机器学习算法来生成所有这些功能。机器学习深深嵌入谷歌地图中,这就是每次更新时路线越来越智能化的原因。


预估旅行时间功能几乎是完美的。如果它显示“40分钟”到达目的地,您可以确定您的旅行时间大约在该时间轴附近。我们爱机器学习!



0 4
主流web服务中的机器学习



你会喜欢这一节。我们每天都会与某些应用程序进行多次交互。直到最近我们才意识到这一点 - 大多数应用程序都可以工作归功于机器学习的强大功能和灵活性。


以下是您非常熟悉的四个应用。现在,从机器学习的角度来看待它们。


邮件过滤


工作中处理电子邮件的方式怎么样?或者您的个人电子邮件收件箱是否充满了随机和垃圾邮件?我们都遭遇过这种情况。我的收件箱曾经一次有11,000多封未读电子邮件!


如果我们能够编写一个根据主题过滤电子邮件的规则,那会不会很容易的将营销邮件将转到该文件夹、有关工作的电子邮件将进入我的主要收件箱(等等)。这会让生活变得更加轻松。



事实证明,这正是大多数电子邮件服务正在做的事情!他们使用机器学习来解析电子邮件的主题行并相应地对其进行分类。以Gmail为例。Google使用的机器学习算法已经经过数百万封电子邮件的训练,因此可以为最终用户(我们)无缝工作。


虽然Gmail允许我们自定义标签,但该服务提供默认标签:

  • 主要

  • 社交

  • 营销


收到电子邮件后,机器学习算法会立即将电子邮件分类为这三个标签中的一个。如果Gmail认为它是“主要”电子邮件,我们会立即收到提醒。


当然,Gmail还使用机器学习来确定电子邮件是否是垃圾邮件---一个我们都非常感激的功能。多年来,Google的算法在决定电子邮件是否为垃圾邮件方面变得更加智能。这就是为机器学习算法获取更多数据以后变得非常有用的地方---Google拥有丰富的数据。


谷歌搜索


这大概是最受欢迎的机器学习应用之一。每个人都使用Google搜索,我们大多数人每天都会多次使用它。我冒昧地说,我们理所当然地认为Google将为我们提供最好的结果。


但谷歌搜索如何运作?


Google搜索已成为凡人无法破解的难以捉摸的庞然大物。它的工作原理只有那些设计过Google搜索的人才知道。有一点我们可以肯定地说 - Google使用机器学习为其搜索引擎提供动力。



Google不断训练和改进其算法的数据量是我们无法理解的数字。世界上没有计算器可以告诉我们Google在过去二十年中处理的查询数量。这是数据科学的一个特色!



现在 - 假设您被要求建立自己的Google搜索。你会用什么规则?你会包括什么样的内容?你会如何排名网站?这篇文章将帮助您入门:

  • 谷歌PageRank用简单的语言解释!

    https://www.analyticsvidhya.com/blog/2015/04/pagerank-explained-simple/


谷歌翻译


我精通Google翻译的使用。由于Google提供的这项优质服务,我已经学会了德语,西班牙语和意大利语等各种外语。每当我遇到一些外语文本时,Google翻译立即给我答案。



如果您知道Google使用机器学习来理解用户发送的句子,将其转换为所请求的语言并显示输出,那就不足为奇了。机器学习深深嵌入Google的生态系统中,我们都从中受益。


幸运的是,我们了解Google如何使用机器学习为其翻译引擎提供支持。本文将帮助您了解并开始使用该主题:

  • 关于神经机器翻译的必读NLP教程 - 为谷歌翻译提供动力的技术

    https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/


LinkedIn和Facebook的推荐和广告


社交媒体平台是机器学习的经典用例。与Google一样,这些平台已将机器学习整合到其结构中。从您的家庭流到您看到的广告类型,所有这些功能都可以通过机器学习来实现。


我们经常看到的“你可能认识的人”的功能。这是所有社交媒体平台,Twitter,Facebook,LinkedIn等的常见功能。这些公司使用机器学习算法来查看您的个人资料,您的兴趣,您当前的朋友,他们的朋友以及许多其他变量。



然后,该算法生成与特定模式匹配的人员列表。然后向您推荐这些人,期望您可能想要了解他们(或者至少有与您的非常相似的个人资料)。


多亏了LinkedIn的系统,我自己与很多我的专业同事和大学朋友联系。这是机器学习的一个应用,有利于参与该过程的每个人。


我们看到的广告以类似的方式工作。它们根据您的口味,兴趣,特别是您最近的浏览或购买历史而量身定制。如果您是许多数据科学小组的一员,Facebook或LinkedIn的机器学习算法可能会建议机器学习课程。


下次使用社交媒体时请注意这一点。这是背后所有机器学习的结果!



0 5
销售和营销中的机器学习



世界顶级公司正在使用机器学习从上到下转变他们的策略。两个受影响最大的功能?市场营销与销售!


如今,如果您从事营销、销售领域的工作,需要至少了解一个商业智能工具(如Tableau或Power BI)。此外,营销人员应该知道如何在日常工作中利用机器学习来提高品牌知名度,改善底线等。


这里有三个流行的营销和销售用例,其中机器学习正在改变他们的工作方式。


推荐引擎


我们之前简要介绍过推荐引擎。我提到这些系统无处不在。但他们在营销和销售领域的用途在哪里?如何?


我们举一个简单的例子来理解这一点。在IMDb(和Netflix)出现之前,我们都习惯去DVD商店或依靠谷歌搜索要观看的电影。店员会给我们一些可以看什么的建议,我们经常拿一些我们不知道的电影。



由于推荐引擎,这个世界几乎完全过去了。我们可以登录网站,它会根据我的品味和以前的浏览历史向我推荐产品和服务。一些流行的推荐引擎示例:

  • 亚马逊和Flipkart等电子商务网站

  • 预订网站,如Goodreads

  • 像IMDb和Netflix这样的电影服务

  • 酒店网站,如MakeMyTrip,Booking.com等。

  • 像StitchFix这样的零售服务

  • 像Zomato和Uber Eats这样的食品集散商


名单还有很长。我们周围的推荐引擎无处不在,营销和销售部门比以往任何时候都更倾向于吸引(并留住)新客户


我鼓励您阅读这篇关于如何构建自己的推荐引擎的初学者友好教程:

  • 从头开始构建推荐引擎的综合指南(Python)

    https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/


个性化营销


推荐引擎是个性化营销的整体概念的一部分。这个概念的含义在于名称本身---它是一种根据个人需求量身定制的营销技巧。


想想:您从“免费”提供服务的信用卡或贷款公司获得多少电话?这些调用提供相同的服务而不了解您想要(或不想要)的内容。传统营销现在已经过时,远远落后于数字革命。



现在想象一下,如果这些电话或电子邮件对您的兴趣高度个性化。如果你是一个大购物狂并反映在你的购买历史中,消息可能是关于扩展你的信用额度的新服务。或者,如果您是机器学习爱好者,电子邮件可以提供适合您口味的课程。


老实说,个性化营销的潜力巨大。机器学习有助于识别客户群并为这些细分市场定制营销活动。您可以通过开放率,点击率等指标定期检查广告系列的效果。


我强烈建议您阅读以下指南,这将有助于您重塑您的数字营销策略:

  • 每个数据科学专业人员必须阅读的数字营销和分析综合指南

    https://www.analyticsvidhya.com/blog/2018/12/guide-digital-marketing-analytics/


客户支持查询(和聊天机器人)


如果您曾经处理过客户支持,您将在非常个人的层面上理解这一点。那些可怕的电话,无休止的等待,未解决的查询---这一切都增加了非常令人沮丧的用户体验。


机器学习有助于消除所有这些障碍。使用自然语言处理(NLP)和情感分析的概念,机器学习算法能够理解我们所说的内容以及我们所说的基调。



我们可以将这些查询大致分为两类:

  • 基于语音的查询

  • 基于文本的查询


对于前者,机器学习算法检测消息和情绪以将查询重定向到适当的客户支持人员。然后他们可以相应地处理用户。


另一方面,基于文本的查询现在几乎完全由聊天机器人处理。几乎所有企业现在都在他们的网站上利用这些聊天机器人。他们消除了等待的障碍,并立即提供答案 - 因此,一个超级有用的最终用户体验。


我们已经汇总了两篇关于如何构建聊天机器人的文章:

  • 了解如何使用Rasa在几分钟内构建和部署Chatbot(IPL案例研究!)

    https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/

  • 用Python构建FAQ Chatbot - 信息搜索的未来

    https://www.analyticsvidhya.com/blog/2018/01/faq-chatbots-the-future-of-information-searching/



0 6
安全业中的机器学习



机器学习也扰乱了安全行业!传统安全的日子里,保安人员常常坐了好几个小时,注意车辆数量下降和阻止可疑人员--- 这种情况正逐渐被逐步淘汰。


企业正在使用机器学习来更好地分析威胁并应对对抗性攻击。这些用例扩展到线上线下的威胁(银行欺诈,金融威胁等)。


视频监控


全球组织正在使用视频监控来执行各种任务,例如检测入侵者,识别暴力威胁,捕获犯罪分子等。


然而,所有这些都不是手动完成的。这将花费大量时间。因此,机器学习算法正被用于放置在这些监视摄像机内的软件。



这些机器学习算法使用各种计算机视觉技术(如对象检测)来识别潜在的威胁并逮捕违法者。


这是一个非常独特的安全机器学习用例:

  • “天空中的眼睛”是一个机器学习项目,可以检测人群中的暴力人群

    https://www.analyticsvidhya.com/blog/2018/06/eye-in-the-sky-is-a-machine-learning-project-that-detects-violent-people-in-crowds/


网络安全(Captchas)


“我不是机器人” - 这句话似乎很熟悉吗?当网站怀疑它正在处理的是机器而不是人类时,我们经常遇到这个按钮。


这些测试称为CAPTCHA,是完全自动化公共图灵测试的缩写。我们被要求识别交通灯,树木,人行横道和各种物体,以证明我们确实是人类。



交通灯和树木被其他物体覆盖,汽车越来越模糊,人行横道越来越远,以及各种各样的复杂情况。为什么网站让我们的生活更加困难?答案就在于机器学习。


Verge网站说得最好:

“因为CAPTCHA是用于训练人工智能的优秀工具,所以任何给定的测试都只能是暂时的,这也是发明者在一开始就承认的。随着所有这些研究人员,骗子和普通人在人工智能可以做的门槛上解决数十亿个谜题,在某些时候机器将会通过我们。”


因此,Google正在使用机器学习来使CAPTCHA变得更加复杂。研究人员正在使用图像识别技术破解这些CAPTCHAS,从而提高后端的安全性。



0 7
财务领域的机器学习



机器学习中的大部分工作都面向金融领域。这是有道理的 - 这是数字领域的极端。直到最近,许多银行机构都习惯于依靠逻辑回归(一种简单的机器学习算法)来处理这些数字。


金融机器学习有很多用例。让我们来看看你(很可能)遇到的两个非常常见的问题。


在银行业中捕获欺诈行为


你曾经是信用卡欺诈的受害者吗?这是一次痛苦的经历。银行要求您填写的文书工作量加剧了欺诈的冲击。


值得庆幸的是,机器学习正在解决这个过程的不同层面。从欺诈检测到欺诈预防,机器学习算法正在改变银行改善客户体验的方式。


这方面的挑战要跟上网络威胁的程度。这些对手在每个阶段都比曲线前两步。一旦最新的机器学习解决方案出现,这些传感器就会完善它并构建在它之上。



话虽如此,机器学习肯定有助于简化流程。这些算法能够识别欺诈性交易并标记它们,以便银行可以尽快与客户联系以检查他们是否进行了交易。


一个很好的例子就是看消费者的消费模式。如果购买不符合此模式(金额太高,或来自其他国家/地区等),则算法会提醒银行并将交易置于保留状态。


以下两篇由网络安全和机器学习专家撰写的文章解释了如何构建强大的恶意软件检测模型:

  • 利用深度学习的力量实现网络安全(第1部分)

    https://www.analyticsvidhya.com/blog/2018/07/using-power-deep-learning-cyber-security/

  • 利用深度学习的力量实现网络安全(第2部分)

    https://www.analyticsvidhya.com/blog/2019/05/using-power-deep-learning-cyber-security-2/


个性化银行业务


推荐引擎的另一个用例是专门针对银行领域的。此时您必须非常熟悉个性化 - 所以在进一步阅读之前,请考虑个性化银行业务可能意味着什么。


我们已经了解了针对客户微观部门并为其定制优惠的银行。个性化银行业务将这一概念提升到一个全新的水平。



理想的个性化方案是使用机器学习来预测用户的需求并针对每个人的细分。正如BCG的报告所述:


“银行业的个性化主要不是出售。它是关于提供服务,信息和建议,通常每天,甚至一天几次。与不常见的销售沟通相反,这种互动形成了客户银行体验的关键。”


阅读完整的BCG文章:

  • 银行业的个性化意味着什么?

    https://www.bcg.com/publications/2019/what-does-personalization-banking-really-mean.aspx



0 8
其他主流机器学习用例



我想将这部分机器学习用例包含为一个单独的类别。我会不断更新这一部分,让我们先来看看一个非常有趣的用例 - 自动驾驶汽车!


自动驾驶汽车


在我们在本文中介绍的所有应用中,自动驾驶汽车最让我着迷。这是我们使用硬件和机器学习所取得的成就。


自动驾驶汽车的优点在于机器学习的所有三个主要方面 - 监督,无监督和强化学习---在整个汽车的设计中使用。



以下是使用机器学习的自动驾驶汽车的一些功能:

  • 检测汽车周围的物体

  • 检测前方车辆,人行道所在位置和交通信号灯之间的距离

  • 评估驾驶员的状况

  • 场景分类,以及许多其他事情。



0 9
小结



我们生活在机器学习的黄金时代。你必须想象这个美妙的领域的广阔和无限的可能性。


你还可以通过 Analytics Vidhya's Android APP阅读本文


作者简介:

Pranav Dar,Analytics Vidhya的高级编辑。数据可视化从业者,喜欢阅读和深入研究数据科学和机器学习艺术。一直在寻找使用ML和AI改进流程的新方法。


原文链接:

https://www.analyticsvidhya.com/blog/2019/07/ultimate-list-popular-machine-learning-use-cases/

补充阅读:

https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/?utm_source=blog&utm_medium=ultimate-list-popular-machine-learning-use-cases


先进制造业+工业互联网




产业智能官  AI-CPS


加入知识星球“产业智能研究院”:先进制造业OT(自动化+机器人+工艺+精益)和工业互联网IT(云计算+大数据+物联网+区块链+人工智能)产业智能化技术深度融合,在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的产业智能化平台;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。


产业智能化平台作为第四次工业革命的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎; 重构设计、生产、物流、服务等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生 新技术、新产品、新产业、新业态和新模式; 引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。

产业智能化技术分支用来的今天,制造业者必须了解如何将“智能技术”全面渗入整个公司、产品、业务等商业场景中, 利用工业互联网形成数字化、网络化和智能化力量,实现行业的重新布局、企业的重新构建和焕然新生。

版权声明产业智能官(ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源,涉权烦请联系协商解决,联系、投稿邮箱:erp_vip@hotmail.com。



登录查看更多
3

相关内容

机器学习速成课程 是 Google 在 google.cn 推出的一些了机器学习课程,针对初学者,只要有一些基础的数学以及 python 知识,就可以开始快速入门。

这套教程可以帮你解决以下问题:

机器学习与传统编程有何不同?

什么是损失,如何衡量损失?

梯度下降法的运作方式是怎样的?

如何确定我的模型是否有效?

怎样为机器学习提供我的数据?

如何构建深度神经网络?

成为VIP会员查看完整内容
0
88
小贴士
相关资讯
盘点当下大热的 7 大 Github 机器学习『创新』项目
机器学习算法与Python学习
11+阅读 · 2019年9月20日
机器学习:从入门到晋级
云栖社区
3+阅读 · 2018年11月21日
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
“搞机器学习没前途”
CSDN
236+阅读 · 2018年9月12日
如何从零到一地开始机器学习 ?(附思维导图)
THU数据派
5+阅读 · 2018年4月17日
机器学习知识体系
架构文摘
14+阅读 · 2018年1月7日
机器学习实践指南
Linux中国
3+阅读 · 2017年9月28日
相关VIP内容
专知会员服务
114+阅读 · 2020年6月10日
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
62+阅读 · 2020年3月15日
谷歌机器学习速成课程中文版pdf
专知会员服务
88+阅读 · 2019年12月4日
【机器学习课程】Google机器学习速成课程
专知会员服务
55+阅读 · 2019年12月2日
【斯坦福&Google】面向机器人的机器学习,63页PPT
专知会员服务
9+阅读 · 2019年11月19日
相关论文
Liang Chen,Jintang Li,Jiaying Peng,Tao Xie,Zengxu Cao,Kun Xu,Xiangnan He,Zibin Zheng
32+阅读 · 2020年3月10日
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification
Jiawei Wu,Wenhan Xiong,William Yang Wang
14+阅读 · 2019年9月9日
Piotr Szymański,Tomasz Kajdanowicz,Nitesh Chawla
3+阅读 · 2019年1月1日
Thomas Elsken,Jan Hendrik Metzen,Frank Hutter
10+阅读 · 2018年9月5日
Vinicius Zambaldi,David Raposo,Adam Santoro,Victor Bapst,Yujia Li,Igor Babuschkin,Karl Tuyls,David Reichert,Timothy Lillicrap,Edward Lockhart,Murray Shanahan,Victoria Langston,Razvan Pascanu,Matthew Botvinick,Oriol Vinyals,Peter Battaglia
4+阅读 · 2018年6月5日
Limin Wang,Wei Li,Wen Li,Luc Van Gool
4+阅读 · 2018年5月6日
Sham Kakade,Mengdi Wang,Lin F. Yang
3+阅读 · 2018年4月25日
Jeremy Howard,Sebastian Ruder
4+阅读 · 2018年1月18日
Nicholas Carlini,David Wagner
10+阅读 · 2018年1月5日
Yannis Papanikolaou,Grigorios Tsoumakas
3+阅读 · 2017年9月16日
Top