全部 人工智能學(xué)科動態(tài) 人工智能技術(shù)資訊 人工智能常見問題 技術(shù)問答

• • 

    人工智能技術(shù)發(fā)展的五個主要分支

    通訊、感知與行動是現(xiàn)代人工智能的三個關(guān)鍵能力，在這里我們將根據(jù)這些能力/應(yīng)用對這三個技術(shù)領(lǐng)域進(jìn)行介紹：計(jì)算機(jī)視覺(CV)、自然語言處理(NLP)、在 NLP 領(lǐng)域中，將覆蓋文本挖掘/分類、機(jī)器翻譯和語音識別、機(jī)器人 查看全文>>

    人工智能技術(shù)資訊2021-05-07 |傳智教育 |人工智能技術(shù)分支

  • 

    人工智能的起源和人工智能發(fā)展歷程

    測試者與被測試者(一個人和一臺機(jī)器)隔開的情況下，通過一些裝置(如鍵盤)向被測試者隨意提問。多次測試(一般為5min之內(nèi))，如果有超過30%的測試者不能確定被測試者是人還是機(jī)器，那么這臺機(jī)器就通過了測試，并被認(rèn)為具有人類智能。 查看全文>>

    人工智能技術(shù)資訊2021-05-07 |傳智教育 |什么是人工智能,人工智能的應(yīng)用

  • 

    什么是線性回歸?線性回歸有什么特征？

    線性回歸(Linear regression)是利用回歸方程(函數(shù))對一個或多個自變量(特征值)和因變量(目標(biāo)值)之間關(guān)系進(jìn)行建模的一種分析方式。特點(diǎn)：只有一個自變量的情況稱為單變量回歸，多于一個自變量情況的叫做多元回歸 查看全文>>

    人工智能技術(shù)資訊2021-05-04 |傳智教育 |什么是線性回歸

  • 

    什么是聚類算法?【機(jī)器學(xué)習(xí)入門】

    聚類算法是一種典型的無監(jiān)督學(xué)習(xí)算法，主要用于將相似的樣本自動歸到一個類別中。在聚類算法中根據(jù)樣本之間的相似性，將樣本劃分到不同的類別中，對于不同的相似度計(jì)算方法，會得到不同的聚類結(jié)果，常用的相似度計(jì)算方法有歐式距離法。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |什么是聚類算法

  • 

    boosting集成原理：什么是boosting?

    什么是boosting?隨著學(xué)習(xí)的積累從弱到強(qiáng)，簡而言之：每新加入一個弱學(xué)習(xí)器，整體能力就會得到提升。代表算法：Adaboost，GBDT，XGBoost。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |boosting集成原理

  • 

    什么是集成學(xué)習(xí)？集成學(xué)習(xí)算法簡介？

    集成學(xué)習(xí)通過建立幾個模型來解決單一預(yù)測問題。它的工作原理是生成多個分類器/模型，各自獨(dú)立地學(xué)習(xí)和作出預(yù)測。這些預(yù)測最后結(jié)合成組合預(yù)測，因此優(yōu)于任何一個單分類的做出預(yù)測。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |什么是集成學(xué)習(xí)

  • 

    K-近鄰算法(KNN)概念：什么是K-近鄰算法?

    K Nearest Neighbor算法又叫KNN算法，這個算法是機(jī)器學(xué)習(xí)里面一個比較經(jīng)典的算法， 總體來說KNN算法是相對比較容易理解的算法。 查看全文>>

    人工智能技術(shù)資訊2021-04-28 |傳智教育 |K-近鄰算法(KNN)

  • 

    《基于圖卷積神經(jīng)網(wǎng)絡(luò)的3D多目標(biāo)跟蹤》論文解讀

    多目標(biāo)跟蹤領(lǐng)域是當(dāng)前目標(biāo)跟蹤領(lǐng)域的研究熱點(diǎn)，在CVPR2020發(fā)表一篇題為《GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with Multi-Feature Learning》論文，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到最具有落地價值的3D多目標(biāo)跟蹤中，接下來我們對該論文進(jìn)行解讀。 查看全文>>

    人工智能技術(shù)資訊2020-09-14 |傳智播客 |圖卷積神經(jīng)網(wǎng)絡(luò),3D多目標(biāo)跟蹤

  << < 1 2 3 4 5 6 7 8 9 10 > >>