新活动来啦，学习 涨豆涨知识

学习笔记 - 知识图谱之学习逻辑规则推理

之前的帖子了解了知识图谱的一些概念，下面继续看下知识图谱相关的算法应用。这篇论文《RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs》讨论了知识图谱上学习问题的相关解决方案，其阐述如下：本文研究了知识图谱

AI前沿——深度学习技术

非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分。但，这块实际中一般都是人工完成的，靠人工提取特征。而手工选取特征费时费力，需要专业知识，很大程度上靠经验和运气，那么机器能不能自动的学习特征呢?深度学习的出现就这个问题提出了一种解决方案。

深度学习之超参数和验证集

       大多数机器学习算法都有设置超参数，可以用来控制算法行为。超参数的值不是通过学习算法本身学习出来的（尽管我们可以设计一个嵌套的学习过程，一个学习算法为另一个学习算法学出最优超参数）。有一个超参数：多项式的次数，作为容量超参数。控制权重衰减程度的 是另一个超参数。   

深度学习已经取得的进展

是机器学习历史上非常困难的领域：接近人类水平的图像分类接近人类水平的语音识别接近人类水平的手写文字转录更好的机器翻译更好的文本到语音转换数字助理接近人类水平的自动驾驶更好的广告定向投放更好的网络搜索结果能够回答用自然语言提出的问题在围棋上战胜人类我们仍然在探索深度学习能力的边界。

标量，向量，矩阵和张量“深度学习”笔记

表示一条线的斜率”；在定义自然数标量时，我们可能会说“令∈N 表示元素的数目”向量，一个向量是一列数。这些数是有序排序的。通过次序中的索引，我们可以确定每个单独的数。通常我们赋予向量粗体的小写变量名称，比如x.向量中的元素可以通过带脚标的斜体表示。向量x的第一个元素是x1，第二个元素

学习人工智能AI需要哪些最基础的知识?

机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。       知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在

华为云学习笔记（基础知识）

像：build4、镜像---磁盘文件：load/save# 云容器引擎与各服务的关系/3-p53# namespace, cgroup分别实现什么：Namespace：隔离的环境，用户只看到一个单独的系统Cgroup：资源限制，用户能得到多少CPU、内存等等# DEC资源架构图DEC

深度学习修炼（一）——从机器学习转向深度学习

什么有这样的效果，我们是不知道的。 在深度学习中就不一样了，我们必须掌握好数学这个画笔，用它规划出我们想要的神经网络。而对于颜料来说，各种深度学习框架已经提供了我们所需的各种颜料。我们要做的，就是利用不同的颜料，在空白的纸上，一笔一划画出我们所需的网络。 深度学习改变了传统互

深度残差收缩网络：一种深度学习的故障诊断算法

png【翻译】如第一部分所述，作为一种潜在的、能够从强噪声振动信号中学习判别性特征的方法，本研究考虑了深度学习和软阈值化的集成。相对应地，本部分注重于开发深度残差网络的两个改进的变种，即通道间共享阈值的深度残差收缩网络、通道间不同阈值的深度残差收缩网络。对相关理论背景和必要的想法进行了详细介绍。A.

《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》

前沿的算法和技术，这也是全书最核心的章节。第四部分（第14章）是关于元学习的内容，我们认为元学习应该是独立于统计机器学习和深度学习的一个研究领域，因为元学习跳出了学习“结果”的这种思想，学习的是“学习过程”，这也是自动化人工智能的理想目标。因此，我们将元学习单独作为一个部分，作为

简述深度学习的几种算法

平滑估计。2、基于实例的算法基于实例的算法常常用来对决策问题建立模型，这样的模型常常先选取一批样本数据，然后根据某些近似性把新数据与样本数据进行比较。通过这种方式来寻找最佳的匹配。因此，基于实例的算法常常也被称为“赢家通吃”学习或者“基于记忆的学习”。常见的算法包括 k-Nearest

深度学习笔记之特殊类型的矩阵和向量

matrix) 是指行向量是标准正交的，列向量是标准正交的方阵：A−1 = A⊤      所以正交矩阵受到关注是因为求逆计算代价小。需要注意正交矩阵的定义。反直觉地，正交矩阵的行向量不仅是正交的，还是标准正交的。对于行向量或列向量互相正交但不是标准正交的矩阵没有对应的专有术语。

深度学习初体验

通过对课程的学习，从对EI的初体验到对深度学习的基本理解，收获了很多，做出如下总结：深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理

《深度学习：主流框架和编程实战》——1.2.2　基于统计的深度学习技术

theory）可知，对于任意的非线性函数一定可以找到一个深度学习网络来对其进行表示，但是“可表示”并不代表“可学习”，因此需要进一步了解深度学习的样本复杂度，即需要多少训练样本才能得到一个足够好的深度学习模型。这些问题都有待于从理论层面进行突破，统计学对深度学习的进一步发展有着十分重要的意义。

深度学习在环保

年，短短的六年时间里，深度学习所需的计算量增长了 300,000%。然而，与开发算法相关的能耗和碳排放量却鲜有被测量，尽管已有许多研究清楚地证明了这个日益严峻的问题。 针对这一问题，哥本哈根大学计算机科学系的两名学生，协同助理教授 一起开发了一个的软件程序，它可以计算和预测训练深

【问答官】学习深度学习需要懂的数据结构和算法有哪些？

想要从数据结构和算法的层面去理解深度学习，需要做哪些尝试？

《深度学习应用开发》学习笔记－03

有监督学习，无监督学习，半监督学习，强化学习。强化学习说的非常厉害，适用于下棋和游戏这一类领域，基本逻辑是正确就奖励，错误就惩罚来做一个学习。那么无监督学习的典型应用模式是什么呢？说出来之后你就会觉得无监督学习没有那么神秘了，那就是聚类。一个比较典型的例子就是超市里货架商品摆放，

深度学习之构建机器学习算法

降等。组合模型，损失函数和优化算法来构建学习算法的配方同时适用于监督学习和无监督学习。线性回归实例说明了如何适用于监督学习的。无监督学习时，我们需要定义一个只包含 X 的数据集，一个合适的无监督损失函数和一个模型。例如，通过指定如下损失函数可以得到PCA的第一个主向量：J(w) =