选自 Alexgkendall.com 作者：Alex Kendall 机器之心编译 参与：候韵楚、黄小天 深度学习使计算机视觉得以蜕变。如今，绝大多数问题的最佳解决方案是基于端到端的深度学习模型，尤其是当卷积神经网络倾向于开箱即用后便深受青睐。但这些模型主要为大型黑箱，其透明度很差。 尽管如此，我们仍旧在深度学习领域获得了显著成果，即研究人员能通过一些数据以及使用基本的深度学习 API 所编写的20 余行代码来获得大量容易得到的成果。虽然这些成果很有突破性，但我认为它们往往过于理想化，且缺乏原则性理解

最近，由于自动驾驶，机器人等的发展，3d视觉逐渐引起了研究人员和工程师的关注。今天，两位主讲嘉宾从自己的角度为大家精选了近期处理3d 点云数据的几个代表性方法，和大家一起学习分享最新的研究成果。

光纤以光的形式传输数据，是现代远程通信网络的支柱。但在分析这种数据时，我们需要把光转换为电子，然后用电子方法进行处理。光学曾被认为是一种潜在计算技术的基础，但由于电子计算发展迅速，光学计算在这条赛道上跑得很吃力。

内容一览：2019 年已经接近尾声，在这一年里，计算机视觉（CV）领域又诞生了大量出色的论文，提出了许多新颖的架构和方法，进一步提高了视觉系统的感知和生成能力。我们精选了 2019 年十大 CV 研究论文，帮你了解该领域的最新趋势，继之前推出的上系列和中系列之后，这是该系列的最后一个部分。Enjoy~

这篇文章涵盖了三件事，首先什么是视觉角度的异常检测？用于异常检测的技术有哪些？它在哪里使用？

这篇文章涵盖了三件事，首先什么是视觉角度的异常检测？用于异常检测的技术有哪些？它在哪里使用？

几千年来，人们就已经有了思考如何构建智能机器的想法。从那时开始，人工智能 (AI) 经历了起起落落，这证明了它的成功以及还未实现的潜能。如今，随时都能听到应用机器学习算法来解决新问题的新闻。从癌症检测和预测到图像理解和总结以及自然语言处理，AI 正在增强人们的能力和改变我们的世界。

2022 WAIC 世界人工智能大会已于近日在上海落幕。 9 月 3 日，在机器之心主办的 WAIC 2022·AI 开发者论坛上，2021 图灵奖得主为代表的全球最具影响力学术领袖、技术专家和企业高管发表主题演讲，演讲内容包括高性能计算、多模态交互、文本生成研究与应用、RPA、类脑计算等在内的最前沿议题。本次大会以「 AI 开发者所真正关注的」为主题，集中展示本年度人工智能领域最前沿技术成果和最新实践应用进展。 除了这些精彩的主题演讲，WAIC·AI 开发者论坛还揭晓了今年的 WAIC· 云帆奖得主，举

最近语言模型在自然语言理解和生成方面取得了显著进展。这些模型通过预训练、微调和上下文学习的组合来学习。在本文中将深入研究这三种主要方法，了解它们之间的差异，并探讨它们如何有助于语言模型的学习过程。

你可能在各种应用中听说过机器学习machinelearning（ML），比如垃圾邮件过滤、光学字符识别（OCR）和计算机视觉。

从今天起就要开始认真的学习Machine Learning了。在网上查找了很多的资料，也大概看了下deeplearning.net上的一些教程。但是既没有一丝的学习基础，也没有过硬的python编程能力，而且英语阅读水平也跟不上，学起来真是相当的吃力。最后觉得刚上手的话还是跟着入门级的视频教程学比较好。搜索对比下来还是Andrew Ng的视频适合我这种基础差的人看，一方面学习门槛低，一方面又能学到不错的技术，更重要的是学习资源充足。在网上找到了中国海洋大学的黄同学整理翻译的Andrew Ng 2014年最新的视频和课件（重要的是有翻译。。），终于能够好好学学了。

百度/谷歌搜索“miniconda 清华”（是清华的conda镜像网站）进行下载。

【导语】经常有朋友私信问，如何学python？如何敲代码？如何进入AI行业？正好回头看看自己这一年走过的路，进行一次经验总结。这是一篇关于如何成为一名AI算法工程师的长文，来看看你距离成为一名AI工程师还有多远吧。

笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP

http://open.nlc.cn/onlineedu/client/index.htm

3 学习（learning） 将很多数据丢给计算机分析，以此来训练该计算机，培养计算机给数据分类的能力。换句话说，学习指的就是找到特征与标签的映射（mapping）关系。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。

在ML中，有3种机器学习方法-监督学习、无监督学习和强化学习技术。 我们所知道的监督学习是指数据带有标签的情况， 无监督学习是仅存在数据而没有标签的情况，强化学习算法的思路非常简单，以游戏为例，如果在游戏中采取某种策略可以取得较高的得分，那么就进一步“强化”这种策略，以期继续取得较好的结果。

---- 新智元报道   编辑：LRS 【新智元导读】白盒非监督学习模型性能再进一步！ 最近马毅教授和图灵奖得主Yann LeCun联手在ICLR 2023上发表了一篇论文，描述了一种极简和可解释的非监督式学习方法，不需要求助于数据增强、超参数调整或其他工程设计，就可以实现接近 SOTA SSL 方法的性能。 论文链接：https://arxiv.org/abs/2209.15261 该方法利用了稀疏流形变换，将稀疏编码、流形学习和慢特征分析（slow feature analysis）相结合。 采

从婴儿时期的「物体恒存」开始，我们知道跟我们玩躲猫猫的大人其实并没有消失，他们就藏在某个地方，只是被某个东西挡住了。

在如今的 NLP 领域，几乎每项任务中都能看见「基于 Transformer 的预训练语言模型（T-PTLM）」成功的身影。这些模型的起点是 GPT 和 BERT。而这些模型的技术基础包括 Transformer、自监督学习和迁移学习。T-PTLM 可使用自监督学习从大规模文本数据学习普适性的语言表征，然后将学到的知识迁移到下游任务。这些模型能为下游任务提供优质的背景知识，从而可避免从头开始训练下游任务。