排序方式

书单 | 《分布式机器学习:算法、理论与实践》——理论、方法与实践的全面汇总

人工智能和大数据时代,分布式机器学习解决了大量最具挑战性的问题。为了帮助机器学习从业者更加深入地了解分布式机器学习领域的基本框架、典型算法、理论和系统,帮助大家在这个领域打下扎实基础,微软亚洲研究院机器学习核心团队撰写《分布式机器学习:算法、理论与实践》一书,全面介绍了分布式机器学习的现状,深入分析其中的核心技术问题,并且讨论该领域未来的发展方向。

发布时间:2018-11-21 类型:深度文章

书单丨成为机器学习大神,你不能不懂数学

如何自学机器学习?需要哪些数理基础?怎样从入门到进阶,成就大神之路?对于这些问题,作为毕业后投身机器学习研究的数学博士、微软亚洲研究院机器学习组主管研究员陈薇无疑是最有发言权的。在这篇书单推荐中,她从机器学习综述、算法优化、理论延展、数学基础四大方面入手,为大家提供一份机器学习的“完全指南”。

发布时间:2018-09-06 类型:深度文章

分布式深度学习新进展:让“分布式”和“深度学习”真正深度融合

近年来,作为人工智能发展迅速的领域之一的深度学习在NLP、图像识别、语音识别、机器翻译等方面都取得了惊人的成果。但是,深度学习的应用范围却日益受到数据量和模型规模的限制。如何才能高效地进行深度学习模型训练?微软亚洲研究院机器学习组主管研究员陈薇和她的团队基于对机器学习的完整理解,将分布式技术和深度学习紧密结合在一起,探索全新的真正合二为一“分布式深度学习”算法。

发布时间:2018-07-06 类型:深度文章

基于交错组卷积的高效深度神经网络

卷积神经网络在近几年获得了跨越式的发展,虽然它们在诸如图像识别任务上的效果越来越好,但是随之而来的则是模型复杂度的不断提升。越来越深、越来越复杂的卷积神经网络需要大量存储与计算资源,因此设计高效的卷积神经网络是非常重要和基础的问题,而消除卷积的冗余性是该问题主要的解决方案之一。那么如何消除卷积的冗余性呢?前不久,微软亚洲研究院视觉计算组资深研究员王井东博士做客“AI科技大本营”,为大家讲解发表在 ICCV 2017 和 CVPR 2018 上的研究——基于交错组卷积的高效深度神经网络。

发布时间:2018-07-04 类型:深度文章

ICML 2018 | 训练可解释、可压缩、高准确率的LSTM

长短时记忆网络(LSTM)是序列建模中被广泛使用的循环结构,LSTM利用门结构来控制模型中信息的传输量。但在实际操作中,LSTM中的门通常都处于“半开半关”的状态,没有有效地控制信息的记忆与遗忘。为此,微软亚洲研究院机器学习组提出了一种新的LSTM训练方法,让模型的门接近“二值化”——0或1,可以更准确地去除或者增加信息,进而提高模型的准确性、压缩比以及可解释性。

发布时间:2018-07-03 类型:深度文章

现代罗塞塔石碑:微软提出深度学习框架的通用语言

微软近期提出了深度学习框架的通用语言——repo1.0,我们希望通过构建这一深度学习框架“罗塞塔石碑”,让研究者们能够在不同框架之间轻松运用专业知识,并且实现不同开源社区之间的合作。文中讲解了基准深度学习框架的训练结果和相应的经验教训,并给出了repo1.0 完整版GitHub地址。

发布时间:2018-03-20 类型:深度文章

借助机器学习提高CRISPR基因编辑准确率

基因编辑技术CRISPR就像是一种纳米级的“针线包”,可以在特定位置上对DNA进行剪切和修改。为了使CRISPR的操作更加准确,研究员们开发出了一套借助机器学习来让CRISPR减少“脱靶效应”的计算工具——Elevation。目前,Elevation以及另外一款用于预测在靶效应的补充工具Azimuth一起发布在微软Azure上供大家免费使用,同时也以开源的形式向公众开放。

发布时间:2018-01-12 类型:深度文章

知识就是力量,让机器站在巨人的肩膀上

人类社会的进步,尤其是科技的进步,大多是站在前人的肩膀上一步一步发展起来的。在人工智能领域,当前很多统计机器学习算法都是从零开始学习数据,而可计算知识的引入则能够让机器读取已知的知识,并以此为基础进行新的学习,在巨人的肩膀上迅速实现进步。

发布时间:2017-08-14 类型:深度文章

机器学习六步曲——“小马医生”养成记

本文中,微软亚洲研究院资深研究员闫峻博士通过“小马医生”成长的例子,深入浅出破解机器学习的神秘过程,在“小马医生”的每一次成长和改变中,你能够清楚感受到自己对机器学习的理解又更进一步。让小马手把手教学带你轻松入门机器学习吧~

发布时间:2017-08-03 类型:深度文章

梅涛:深度学习为视觉和语言之间搭建了一座桥梁

视觉和自然语言处理长期以来是两个独立的课题,而深度学习技术的出现建立了计算机视觉和自然语言处理之间的连接,为Image QA及Image Caption带来了突飞猛进的发展。在本文中,来自微软亚洲研究院的资深研究员梅涛将带领大家回顾视觉与语言领域的研究进展。

发布时间:2017-07-13 类型:深度文章