深度学习（Deep Learning）属于非常前沿的学科，没有现成的的综合型教材，主要是通过阅读大量论文和代码练习来学习。

70年代，神经网络的研究进入了萧条期，人工智能里产生了许多不同的方向，神经网络，好像被人们所忘记。

很难想象有什么事物会像廉价、强大、无处不在的人工智能那样拥有“改变一切”的力量。《必然》

未来三年，AI能力会成为每一位技术人员的基本能力。

摘要：在本篇文章中，将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。当然，本文也面对一般读者，不会对阅读有相关的前提要求。 在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅读完这篇非常长的文章呢？ 我并不直接回答这个问题前。相反，我想请大家看两张图，下图是图一： 图1 机…

面对现在海量的、不完整的、模棱两可的数据，运用数据挖掘算法对数据进行查找，找出人们所不知道的、有实用价值的信息，这一过程就是数据挖据。

即使你是搞建模的，假如没搞过神经网络，可能也不清楚，甚至你做过神经网络工程，但如果仅仅是调用一下算法库，也可能是一知半解。

20世纪90年代后期，IBM深蓝（Deep Blue）研究了一系列的国际象棋算法，期望于打败当时的世界冠军加里•卡斯帕罗夫（Garry Kasparov）。

“ 数据科学家是一种很宽泛的职称。虽然对于数据科学家和数据工程师有更具体的职业发展路径，但其技能需求并不存在泡沫。“

通过这篇漫画，希望没有从过IT行业，或者不了解机器学习的朋友们能够对机器学习有一些初步的认知。

大家都遇到过这种情况，训练的时候没什么问题，测试的时候就不对劲了，想找问题，感觉无处入手，那么今天，给你37个建议，看看再说吧。

感受野可能是卷积神经网络(CNNs)中最重要的概念之一，值得更多的关注。

这篇文章是对Bag of Tricks for Image Classification with Convolutional Neural Networks中分享的思想的概述和我自己的一点思考。

正如我们所知，人工智能将会改变世界。但对抗性数据（adversarial data）带来了一系列问题。

下一代人机交互模式会是什么？

我们真的知道什么是人工智能吗？我们真的准备好与人工智能共同发展了吗？

作为世界创新的源动力，人工智能正在扮演越来越重要的角色，今天的人工智能处于什么阶段？未来人类智能和人工智能将如何走向？智能文明的形态又会是什么？

大数据是如何帮助警察提高定位效率的呢？

在此问答中，MathWorks高级工程经理Jos Martin讨论了最近的NLP开发以及受益于该技术的应用程序。

Bill Vorhies不久前写了一篇文章《AI背后的数据科学》，他分享的观点很新颖。