监督学习
收录了 监督学习 频道下的 50 篇内容
图灵奖得主 Yann LeCun 最新文章 ：自监督学习，人工智能世界的“暗物质”
自监督学习让AI系统能够从很少的数据中学习知识，这样才能识别和理解世界上更微妙、更不常见的表示形式。
计算机视觉中的自监督学习与注意力建模
自从深度学习提出以来，AI得到了快速的发展，每年都会有很多成果涌现，2020年也是丰收的一年。
半监督学习加速 AI 产业数据标注流程
本次分享介绍通过人工智能和人工标注更有效的“互动”，半监督学习可以加速数据标注的流程。
发展 70 年，最好的监督学习模型长啥样？
机器学习领域在过去几十年中发生了巨大的变化。不可否认，有一些方法已经存在了很长时间，并且仍然是该领域的“常青树”。
无监督学习新突破！华为美研所提出自动编码变换网络 AET
用无监督学习逼近全监督效果
基于学习的计算机视觉 （一）：监督学习和神经网络
本文是整个系列的第一篇文章，将会简单介绍一下计算机视觉的发展，以及监督学习、神经网络的基本原理。最后的实践部分，会用TensorFlow给出之前介绍算法的一个简单实现。
半监督学习技术应用于达观的文本过滤系统
为了克服标注样本不足的难题，垃圾信息过滤可以引入半监督学习方法来增强信息处理的能力。半监督学习方法的优势是能够在只有少量标注数据的条件下，综合利用已标注数据和未标注数据的信息，达到较好的过滤效果。达观的文本挖掘系统在多个模块里面都使用到了半监督学习的方法，主要方式是通过外部知识来对训练样本进行语义扩展，然后结合数量较多的未标注样本选取预测置信度高的子集作为新样本加入训练集进行模型训练。
谷歌研究团队找到提高自我监督学习鲁棒性的方法
如何进一步提高自我监督学习的鲁棒性是计算机视觉领域的一大难题。
Yann LeCun：当人工智能系统不再需要监督学习时，下一场 AI 革命就来了
自监督学习可以用来构建元宇宙，甚至可能打造人类水平的 AI。
如何使用半监督学习为结构化数据训练出更好的深度学习模型
本文将使用半监督学习来提高深度神经模型在低数据环境下应用于结构化数据时的性能。
解读计算机视觉的 2020 ：自监督学习、数据跨域分析成研究热点，疫情相关应用落地加快
本文将从计算机视觉在学术界的发展和工业界的应用两个角度出发，对这一年来涌现出的新技术和新方法进行回顾和总结。
阿里巴巴 AAAI 2018 录用论文：知识图谱实体链接无监督学习框架 CoLink
CoLink使用了一种能同时操作两个独立模型的协同训练算法，并且能以无监督学习的方式迭代式地让两个模型彼此互相增强。我们还提出使用“序列到序列”学习作为基于属性的模型非常有效，这种方法能将属性对齐难题当作机器翻译问题处理。我们将 CoLink 应用到了将企业网络中的员工映射到他们的领英个人资料的实体信息链接任务上。实验结果表明CoLink在F1分数上的表现超过之前最佳的无监督方法的20%以上。
深度学习的关键：无监督深度学习简介（附 Python 代码）
在这篇文章中，我们用一个直观的案例研究概述了无监督深度学习的概念。并且详解了在MNIST数据集上进行无监督学习的代码，包括K-Means、自编码器以及DEC算法。
谷歌提出新方法：基于单目视频的无监督深度学习结构化
无监督深度学习新突破
AI 工程师基础能力：机器学习
今天，我来和你聊一聊如何学习和掌握机器学习基础知识，又如何通过核心的知识脉络快速掌握更多的机器学习算法和模型。
Google 提出 Grasp2Vec 模型：利用自监督方法学习物体表示
如何使用强化学习方法让机械手臂自己学会识别物体？
综合实践指南：迁移学习及在深度学习中的应用
本文全面介绍了迁移学习的理念、范围和真实世界应用，并给出迁移学习在深度学习中的应用实例。
阿里巴巴 AAAI 2018 录用论文：聊天机器人人机协作框架 CoChat
我们在本论文中介绍了 CoChat，这是一种能够实现聊天机器人与人类工作者之间有效协作的对话管理框架。在 CoChat 中，人类工作者可以随时引入新的动作来应对之前未曾见过的情况。我们提出了一种记忆增强型分层 RNN（MemHRNN），以在 CoChat 中处理由即时引入新动作所导致的单样本学习（one-shot learning）难题。我们在真实世界数据集上进行了大量实验，结果很好地表明 CoChat 能够大量减轻人类工作者的工作量；与其它之前最先进的框架相比，CoChat 也能得到更好的用户满意率。
大数据时代的小数据挑战：华为美研披露无监督和半监督方法最新进展
本文是 AI 前线的第 76 篇论文导读，今天要解读的这篇论文来自华为美研所。在这篇论文中，作者对无监督和半监督这两大类方法的最新进展做了详细解读，包括训练变换等变、非耦合、自监督和半监督表示的标准，以及无监督和半监督生成模型的实例。
基于弱监督深度学习的图像分割方法综述
本文是基于弱监督的深度学习的图像分割方法的综述，阐述了弱监督方法的原理以及相对于全监督方法的优势。
京公网安备 11010502039052号 | 产品资质
