類神經網路
#
類神經網路
含有「類神經網路」共 11 篇內容
全部內容
發佈日期由新至舊
AI 深度學習之父 - Geoffrey Hinton 辛頓
1986 年,人工智慧的崛起,神經網路的出現。人工神經網路發展遭遇挑戰,直到 2006 年由Hinton提出限制玻爾茲曼機與深度信念網絡,重新點燃熱情。2018年,Hinton獲得圖靈獎。近年,Hinton持續關注AI帶來的危險,力促人們關注。
2024-04-17
3
#
人工智慧
#
危險
#
模型
商管課程(九) 模組二「創業家思維與決策模式 3」
上午的課程剛講完總體經濟,休息片刻後,馬上就切入「AI 相關技術及趨勢」的說明;業師是在這方面非常用心準備,希望讓對生成式 AI 沒概念的同學能快速理解。講完總經再接 AI,這個落差有點大,如果這兩方面都沒有接觸過的學生,可能會一時間轉換不過來。
2024-04-05
0
#
總體經濟
#
AI
#
類神經網路
堅信 (一首結合現實生活和AI技術的詩)
我囚在鞍點上 平坦的大漠 盡頭在何方 好不容易產生擾動 看到了 是綠洲 砰! 掉進了區域最小值 那阻礙前行的沙坑 趕緊增加資料量 跳出 跳出 離開 離開 終於 水源我來了 怎麼是海市蜃樓 又回到鞍點上 不斷重複 相信總有一天 會接
2023-12-26
10
#
鞍點
#
AI
#
高中生
澳洲雪梨大學研究團隊發表以奈米銀線建構的神經型態人工智慧
借鏡於真實神經系統,科學家正在研發神經型態的人工智慧。其中包括矽晶體的神經型態人工智慧,例如脈衝神經網路(SNN),或者利用材料的物理或化學特性來產生類似突觸的可塑性記憶(memristive)的特性。本文將簡介最新的神經型態人工智慧,他們將開啟低耗能高效率的人工智慧時代。
2023-11-22
4
#
人工智慧
#
奈米材料
#
神經計算
人工智慧能取代程序員嗎? 前提與實務面的論證告訴你:「永遠不會」
人類思考與執行的優勢是當前的人工智慧機體無可比擬的,只要人工智慧技術的發展方向仍建立在現今的數學模型與電子技術層面,那可以確定人工智慧永遠無法取代程序員。
2023-07-02
4
#
人工智慧
#
人工智能
#
程式
[AI小學堂(一)]人工智慧AI vs 機器學習 vs 深度學習
我們這個系列就是希望以非常科普的角度來解釋人工智慧。本篇要釐清人工智慧(AI: Artificial Intelligence),機器學習 Machine Learning, 深度學習Deep Learning,另外還有類神經網路,到底互相是什麼關係呢?
2023-05-27
2
#
AI
#
DeepLearning
#
人工智慧
網路裁減(Network Pruning)和解構樂透彩卷假說
本篇文章前半段先對網路裁減做簡單介紹,後半段針對彩卷假說作文獻式的探討。網路裁減是一種重新發現等價小網路的方法,主要目的在為 over-parameterized 的方式訓練而成的類神經網路提供一個精簡版的網路,有助於在資源受限的平台上運行。彩卷假說則是探討權重初始值和網路裁減之間的關係。
2021-02-26
5
#
deeplearning
#
深度學習
#
網路裁減
[探索] 門外漢的類神經網路導覽
這篇文章從類神經網路的起源,也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習,但卻無法學習超過非線性,如 XOR 的資料分布。另外,本文還介紹了 Logistic regression,藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。
2019-05-04
4
#
類神經網路
#
SVM
#
YannLeCun
[探索] 門外漢的類神經物體偵測導覽
本文提到如何以類神經網路為主的深度學習方法,來進行物體偵測。文中包括基礎的物體偵測簡介:如影像問題分類,影像處理和傳統非類神經網路為主的物體偵測方法。這些傳統方法,仍可以在類神經網路的方法中找到其應用。最後簡略敘述當前使用深度卷積網路作為物體偵測的主要研究方向,並對學術界常用的訓練資料集做分析介紹。
2019-01-08
6
#
深度學習
#
物體偵測
#
卷積網路
[觀點] 深度學習的 2018 年趨勢
<p>普華永道(PwC)聯合會計事務號發表了他們對 2018 年人工智慧的趨勢預測。本文將簡略合併 PwC 提出的十項預測於四大類,對每一類介紹並了解為何 PwC 認為這十項預測的發展值得關注,以及如何應用到工業的領域中。</p>
2018-01-05
0
#
深度學習
#
強化學習
#
2018趨勢預測