News · 资讯
聚合技术动态、框架版本与工程实践，帮你在学习路线之外保持对行业的敏感度。
实现智能的一种可能方法是所谓的涌现（或协同）方法，其基于这样一个事实：许多相对简单的智能体的组合行为可以导致整个系统表现出更复杂（或更智能）的行为。从理论上讲，这种方法基于[集体智能](https:/…
Mountain Car 环境中，汽车被困在一个山谷中。你的目标是跳出山谷并到达旗帜处。你可以执行的动作包括向左加速、向右加速或保持不动。你可以观察汽车在 x 轴上的位置以及速度。
强化学习（RL）被认为是机器学习的基本范式之一，与监督学习和无监督学习并列。在监督学习中，我们依赖于具有已知结果的数据集，而强化学习则基于通过实践学习。例如，当我们第一次看到一个电脑游戏时，即使不知道…
遗传算法 (GA) 基于一种进化式方法，通过模拟种群的进化过程来为给定问题找到最优解。这种方法由 [John Henry Holland](https://wikipedia.org/wiki/Joh…
在我们之前的所有任务中，我们都使用带标签的数据集训练神经网络来完成特定任务。而对于像 BERT 这样的大型 Transformer 模型，我们通过自监督的方式进行语言建模来构建语言模型，然后通过进一步…
来自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的实验任务。
到目前为止，我们主要集中在一个自然语言处理（NLP）任务——分类。然而，神经网络还可以完成其他的NLP任务，其中之一就是[命名实体识别](https://wikipedia.org/wiki/Name…
在自然语言处理领域中，机器翻译是一个非常重要的问题，它是像谷歌翻译这样的工具的核心任务。在本节中，我们将重点讨论机器翻译，或者更广泛地说，任何序列到序列任务（也称为句子转换）。
来自 [AI 初学者课程](https://github.com/microsoft/ai-for-beginners) 的实验任务。
循环神经网络（RNN）及其门控单元变体（如长短时记忆单元 LSTM 和门控循环单元 GRU）提供了一种语言建模机制，它们可以学习单词的顺序并预测序列中的下一个单词。这使得我们可以使用 RNN 执行生成…
在之前的章节中，我们使用了丰富的文本语义表示，并在嵌入层之上使用了一个简单的线性分类器。这种架构能够捕捉句子中词语的整体意义，但它没有考虑到词语的顺序，因为嵌入层上的聚合操作会丢失原始文本中的顺序信息…
来自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的实验任务。
语义嵌入（如 Word2Vec 和 GloVe）实际上是迈向语言建模的第一步——创建某种能够理解（或表示）语言本质的模型。
在基于 BoW 或 TF/IDF 训练分类器时，我们使用的是长度为 vocabsize 的高维词袋向量，并且我们显式地将低维位置表示向量转换为稀疏的独热表示。然而，这种独热表示并不节省内存。此外，每个…
在本节的第一部分中，我们将专注于文本分类任务。我们将使用 [AG News](https://www.kaggle.com/amananandrai/ag-news-classification-da…
在本节中，我们将重点使用神经网络处理与<strong>自然语言处理（NLP）</strong>相关的任务。我们希望计算机能够解决许多NLP问题：
来自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的实验任务。
我们之前学习了目标检测，它可以通过预测边界框来定位图像中的对象。然而，对于某些任务，我们不仅需要边界框，还需要更精确的对象定位。这项任务被称为分割。
来自 [AI 初学者课程](https://github.com/microsoft/ai-for-beginners) 的实验任务。
我们之前处理的图像分类模型会接收一张图片并输出一个类别结果，例如在 MNIST 问题中输出类别“数字”。然而，在许多情况下，我们不仅仅想知道图片中有物体，还希望能够确定它们的具体位置。这正是目标检测的…