深度学习是一种基于人工神经网络的机器学习方法，它通过多层神经网络对数据进行建模和学习，从而使计算机能够自动从数据中提取特征并进行预测。深度学习在图像处理、语音识别、自然语言处理等领域取得了显著的突破，特别是在大数据和强大计算能力的支持下，深度学习已成为解决复杂问题的主要技术。
2019年，欧盟出台的《人工智能道德准则》中明确提出，人工智能的发展方向应该是“可信赖的”，能够包含安全、隐私和透明、可解释等多个方面。但随着人工智能技术不断普及，由此产生的风险也浮出水面，主要体现在两大方面：1、信任危机，即能否信任和依赖人工智能算法输出的结果。2、道德危机，Deepfake技术的出现在带来新鲜感的同时，也引发了人们对于深度学习和人工智能技术滥用的担忧。
计图 (Jittor) 是清华大学自主研发，于2020年3月开源的深度学习框架。Jittor框架因其底层使用了元算子和统一计算图，从而大大提升了深度学习框架的性能和灵活性。最近Jittor医学图像智能分割模型库 JMedSeg的发布，直接为智慧医疗相关领域赋能，促进了研究人员对于算法模型的开发与部署。
二进制可视化和机器学习的结合在网络安全方面已经展示了巨大潜力，恶意软件和钓鱼网站检测就是其中的热点领域，本文我们将介绍该领域的两大创新应用进展。
人工智能如今被广泛用于根据消费者先前的搜索和购买以及其他在线活动，为消费者提供定制建议。在商业应用中，人工智能在产品优化、库存规划和物流等方面发挥着关键作用。
过去二十多年来，深度学习需要越来越多的乘法累加运算，计算机的性能也基本遵循摩尔定律大幅增长。然而，随着半导体工艺发展到临近极限，摩尔定律已经失去动力，继续保持成长趋势是一个极大的挑战。
在本文中，我想更深入地挖掘机器学习和深度学习算法之间的结构差异，以便你了解它们的主要区别是什么以及如何发现它们。
人脸识别是一项经典的人工智能应用。得益于海量的训练数据和深度学习的技术发展，人脸识别取得了突破性的性能提升，成为一项广泛应用的生物识别技术。
2018图灵奖获得者Yoshua Bengio, Yann LeCun和Geoffrey Hinton再次受ACM邀请共聚一堂，共同回顾了深度学习的基本概念和一些突破性成果，讲述了深度学习的起源、发展及未来的发展面临的挑战。
机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。
本博客主要内容为图书《神经网络与深度学习》和National Taiwan University (NTU)林轩田老师的《Machine Learning》的学习笔记，因此在全文中对它们多次引用。