机器学习

Strategy Analytics:有效的机器学习才能创造完美的AI体验

人工智能(AI)通过预测消费者的行为、提高真实世界体验并完成特定的任务来丰富消费者的生活,而用户不用费吹灰之力。Strategy Analytics用户体验战略(UXS)服务近期发布的研究报告《UXS技术规划报告:人工智能》通过研究未来AI用户的需求、行为和期望发现,有效的机器学习对把用户参与降到最低,并创造完美AI体验至关重要。

消费者利用人工智能来完成每日任务的热情高涨。但由于有限的性能和功能令当前解决方案达不到理想预期。Strategy Analytics的 UXIP多用户研究总监暨报告作者Chris Schreiner表示 “有效的学习对创造完美的用户体验至关重要。许多AI解决方案要求用户进行过多的前端操作——手动输入数据或从不同的应用程序中链接配置文件到一个服务中,这对用户来说非常繁琐而费时。”

10 个基于 JavaScript 的机器学习实例

10 个基于 JavaScript 的机器学习实例

随着人工智能技术的发展,机器学习越来越受到开发者们的关注,从而也导致了机器学习库如雨后春笋般的涌现出来,而且没有任何放缓的趋势。虽然,传统意义上 Python 已经成为了最受欢迎的机器学习语言。但目前神经网络可在任何编程语言中运行,当然也包括 JavaScript!

近来,Web 生态系统取得了重大的进展。尽管 JavaScript 和 Node.js 的性能要比 Python 和 Java 的性能差,但它们已经能够应对机器学习中的许多问题。同时,Web 编程语言也具有很强的易用性,即你只要搞定了 Web 浏览器,那么运行 JavaScript ML 项目就不是个事儿。

虽然,大多数 JavaScript 机器学习库都是“新轮子”,有的甚至还在研发中,但并不会影响你的使用。在这篇文章中,我们将与你分享这些库,以及一些很酷的 AI Web 应用程序实例,帮助你开启机器学习之旅。

麻省理工开发机器学习系统让机器人可以互相学习


很快,在将来的某一天,机器人助手会成为我们日常生活的一部分,即使我们不编程也可教他们新的任务。如果你必须要学代码,你也可以自己做三明治了。现在,有一个新系统可让教机器人变得像教孩子一样简单。机器人可以使用这个系统来分享他们的技能。

培养机器人有两种基本方法。一个是编程它的活动轨迹,这需要时间和编码的专业知识。另一个是通过触碰它的四肢来表示你想要的东西,或者自己做,让机器人模仿。但有些精妙的任务,其精度不是手能表达的,拆除炸弹是很好的例子。现在,用一个叫做C-LEARN的系统,科学家们让一个机器人拥有具有简单步骤的知识库,它可以在学习新任务时智能地应用。

2017年机器学习发展十大趋势预测,悲观还是现实?

“分析时代”目前仍处于起步阶段,它为我们带来众多值得期待且为之兴奋的构想与承诺。在今天的文章中,BigML公司副总裁Atakan Cetinsoy将披露2017年中他眼中的机器学习技术及相关生态系统发展趋势。

每一年结束时,技术专家们总会着眼于新的十二个月,思考其熟知的技术方案将在下一阶段迎来怎样的变化趋势。在BigML公司,我们结合2016年中机器学习技术的发展与演变,尝试解析其在新一年内的未来前景。

首先需要强调的是,企业需要吹散围绕在机器学习概念周遭的炒作迷雾,探索将其切实引入自身业务体系的有效途径。更具体地讲,企业需要通过严谨决策立足内部环境选定平台,并逐步建立规模较小且易于实现的机器学习项目,从而尝试利用自有数据集。随着时间推移,此类增量型项目将带来积极的反馈,并最终实现决策自动化,甚至帮助敏捷性机器学习团队彻底改变其所在行业的运营常态。

按照惯例,我们首先回顾机器学习技术在实际应用层面的发展历程:
机器学习已经形成一种不可逆转的历史性趋势,我们需要立足于此考量如何进行跨部门日常事务处理并将自身业务与市场整体经济状况加以结合。

在36年的发展历程中,众多企业一直在努力消化、采用并从机器学习技术的发展进步与相关最佳实践中获益。然而,鲜有企业能够真正将其转化为自身业务优势。

2017年值得关注的5个IoT趋势

随着物联网跃居市场主流,该领域在今年有五个值得追踪的趋势,包括连网、安全性以及机器学习...

在众多垂直领域的企业现在都已经充分了解物联网(IoT)的潜在优势,虽然大多是仍在思考该如何做、何时开始,以及该在何处布署物联网解决方案;而拜智能家庭以及例如Amazon的Alexa等智能平台之赐,消费者也正在采取行动,

根据预测,光是智能家庭市场到2021年将会有超过14亿台连网装置;该数字在2016年为2.24亿台。 而在2017年,工程师们不可忽视的五大IoT趋势是:

1. LPWA跃居主流
在授权频谱运作的低功耗无线接取(low-power wireless access,LPWA)技术在2017年将正式进军市场,为要求低成本、长电池寿命的各种应用开启一扇门,并诉求能与行动通讯网络可靠、安全地整合,并可以被营运商追踪。 在今年我们将看到服务供货商布署首批商用NB-IoT与LTE Cat M1网络;那些LPWA技术将会成为服务供货商的IoT计划之核心。

2. 营运商拓展与开发商合作关系
随着网络营运商试着推动IoT平台与基础建设的使用,拓展与开发商之间的合作关系将成为重要焦点,因为营运商想要更了解横跨广泛产业的IoT新使用情境发展潜力;这类研发项目的好处之一在于能为营运商业务带来创新气象。

3. 安全性成为优先事项

重磅 | 机器学习首次成功预测 金属间化合物缺陷

劳伦斯伯克利国家实验室的研究人员利用机器学习算法以高精度地预测了某些金属间化合物的缺陷行为。这种方法将加速用于汽车到航空航天等领域的新型先进合金和轻质新材料的研究。

他们的研究成果最近发表在《NatureComputational Materials》上。材料往往是不纯的并且具有缺陷,而这些缺陷对材料的性能具有重要的影响。这些缺陷可能是晶体结构中的空位,或者是错误地放置在晶体格点上的反位缺陷。理解这些缺陷对材料的设计是至关重要的,这些缺陷对材料长期的结构稳定性和强度具有显著的影响。

传统密度泛函理论方法

传统上,研究人员使用计算量子力学的方法——密度泛函理论,去预测在特定的结构中可能存在的缺陷,以及这些缺陷怎样影响材料性能。尽管这种方法非常有效,但是计算成本太高,限制了该方法的运用。

加拿大科学家开发机器学习软件:用于探索外星生命

据国外媒体报道,加拿大多伦多大学科学家近日根据谷歌公司和Netflix公司的算法开发出一款机器学习软件。研究人员认为,这款机器学习软件可用于发现外太空的外星生命。据了解,这款强大的软件比传统的预测一个行星系统是否有生命存在的方法要快1000倍。研究人员希望,这种软件将可以用于各种系统中,能够提供关于系外行星各种有价值的信息,并测定它们的稳定性以及生命宜居性。

加拿大多伦多大学科学家近日开发出一款机器学习软件,这款机器学习软件可用于发现外太空的外星生命。 

塔马约带领研究团队致力于研究如何利用机器学习技术解决特定科学问题。

人工智能黑客讲述:如何欺骗运用机器学习的安全软件?

今天的主题是Gmail对抗式机器学习。

我是学计算机科学、机器学习的,也是负责AI相关的研究者,在湾区那边做很多的数据挖掘、安防等相关的工作,我们非常高兴地看到现在很多的人都在做这些对抗机器学习或者深层次学习。

首先Gmail本身还是属于一个非常新兴的领域,虽然我们可以看到AI已经无处不见。很多网络安全的会议、包括一些世界级的会议,大家都在深入地使用这些技术。这也引起了我个人的兴趣,我也很好奇当看到安全这个主题下为什么Gmal机器学习为什么成为天作之合,当我们在工作中用了机器学习,你希望减少一些模型的功能。

告别硅时代:机器学习热潮急需新型芯片

作者: Hal Hodson 来自: 创新地标

人工智能的兴起和摩尔定律即将终结意味着硅芯片的时代将要走到尽头。

硅已经支持计算机工作近半个世纪了,无论是图形处理还是数字运算,所有的信息处理都由数百万个聚集在一起的微型逻辑门电路完成,而这些电路都是由硅制成的

但硅芯片的时代或许很快将要终结。摩尔定律指出在微处理器中的硅晶体管数量每两年便会增加一倍,但这一预测不可能永远适用,因为一块芯片上可承载的晶体管数目是有限的。

机器学习热潮是硅芯片面临的另一个挑战。运行需要处理海量数据集的机器学习算法,令基于硅的计算机耗能飙升。半导体行业协会(SIA)预计,以目前的趋势,2040年计算机的能量需求将会超过世界总能量供给。

世界各国的研究人员正在开发可替代硅来处理海量数据的新型计算系统。这些系统力求比现在的芯片更小,能效更高。

Julie Grollier领导的研究组正在法国UMPhy lab实验室设计可以仿人类大脑工作的纳米器件。她的研究组用磁性粒子进行运算,尤其是模式识别。

当磁性粒子非常小时,它们会处于不稳定状态时,磁场开始无规律振荡。通过施加电流,研究组就可以利用这样的振荡完成基础运算。如果这种计算装置的规模能够扩大,Grollie相信这项技术能比现有的技术更快的完成识别模式。

同步内容
--电子创新网--
粤ICP备12070055号