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。
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。
清华大学 Jittor 团队提出了一种基于细分结构的网格卷积网络 SubdivNet。该方法首先将输入网格进行重网格化（remesh），构造细分结构，得到一般网格的多分辨率表示，并提出了直观灵活的面片卷积方法、上 / 下采样方法，并将成熟的图像网络架构迁移到三维几何学习中。
超分辨率重建技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像。SR可分为两类：① 从多张低分辨率图像重建出高分辨率图像；② 从单张低分辨率图像重建出高分辨率图像。