您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 【2018 最新】deep learning 深度学习的现状及局限综述

  2. 【2018 最新】deep learning 纽约大学教授Gary Marcus长文对深度学习的现状及局限性批判性探讨 + Deep Learning-LeCun、Bengio和Hinton三大牛的综述[2015]。讲解讨论了深度学习是什么?深度学习能做好什么? 深度学习的局限性、过度炒作的潜在风险、更好的人工智能方法是什么?等非常核心的问题,对机器学习、深度学习研究者和学习者启发很大!
  3. 所属分类:深度学习

    • 发布日期:2018-01-05
    • 文件大小:1048576
    • 提供者:zhuf14
  1. 深度学习的局限性和未来

  2. 本文于51cto,介绍了深度学习的几何学视角,局限性,拟人化机器学习模型的风险,局部泛化与极限泛化等知识。深度学习最令人惊讶之处就在于它十分简单。十年前,没有人指望由梯度下降方法训练的简单参数模型就可以在机器感知问题上获得惊人的结果。现在,事实证明,你只需要一个有足够多参数的模型,并且在足够大的数据集上使用梯度下降进行训练。深度学习最令人惊讶之处就在于它十分简单。十年前,没有人指望由梯度下降方法训练的简单参数模型就可以在机器感知问题上获得惊人的结果。现在,事实证明,你只需要一个有足够多参数的模型
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:449536
    • 提供者:weixin_38515573
  1. 深度学习的局限性和未来

  2. 本文于51cto,介绍了深度学习的几何学视角,局限性,拟人化机器学习模型的风险,局部泛化与极限泛化等知识。深度学习最令人惊讶之处就在于它十分简单。十年前,没有人指望由梯度下降方法训练的简单参数模型就可以在机器感知问题上获得惊人的结果。现在,事实证明,你只需要一个有足够多参数的模型,并且在足够大的数据集上使用梯度下降进行训练。深度学习最令人惊讶之处就在于它十分简单。十年前,没有人指望由梯度下降方法训练的简单参数模型就可以在机器感知问题上获得惊人的结果。现在,事实证明,你只需要一个有足够多参数的模型
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:449536
    • 提供者:weixin_38565631
  1. 基于深度学习的图像分类研究综述

  2. 近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法(即自动编码器、深度信念网络与深度玻尔兹曼机)以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,
  3. 所属分类:其它

    • 发布日期:2021-01-19
    • 文件大小:948224
    • 提供者:weixin_38626192
  1. 智能无线通信技术研究概况

  2. 近年来,人工智能技术已被应用于无线通信领域,以解决传统无线通信技术面对信息爆炸和万物互联等新发展趋势所遇到的瓶颈问题。首先介绍深度学习、深度强化学习和联邦学习三类具有代表性的人工智能技术;然后通过对这三类技术在无线通信中的无线传输、频谱管理、资源配置、网络接入、网络及系统优化5个方面的应用进行综述,分析和总结它们在解决无线通信问题时的原理、适用性、设计方法和优缺点;最后围绕存在的局限性指出智能无线通信技术的未来发展趋势和研究方向,期望为无线通信领域的后续研究提供帮助和参考。
  3. 所属分类:其它

    • 发布日期:2021-01-13
    • 文件大小:789504
    • 提供者:weixin_38711740