功能“逆天”的早教机器人，居然还能对答如流！爷爷奶奶也能一键操作
哇哦！今天家里来了两位呆萌的小朋友。
其中一个年龄和个头都比较小，流线型的小小身体上长着大大的脑袋，还闪着blingbling的大眼睛呢！
还有一个，咦？这不就是活脱脱的天线宝宝嘛！偶尔会把眼睛笑成弯月，偶尔也会郁闷。
他们是谁呀？
原来，这两个又纯又萌、手感超级棒的小朋友来头还不小——他们可是有着鼎鼎大名的友悦宝智能早教机器人。
头大身子小的那个代号“X6”，适合0~3岁的宝宝玩。他懂音乐，可以陪宝宝弹奏，是个钢琴小王子；他还是智能哄娃的神器，会讲儿歌和故事。摸一摸它的头，还能和宝贝对话。简直不要太好玩！
长得像天线宝宝的那个，代号是“X9”，适合0~6岁，尤其是3~6岁的孩子。
“X9”里藏有的早教内容很专业：有故事、儿歌、国学、英语四大板块。而且，它还会和宝贝一起进行“人机互动”。太智能了！
对了，它还会跳舞。旋转，跳跃，我不停歇！
快打开视频，欣赏萌萌的“X9”魔性的舞姿吧！
万千早教机，为何独宠这两个？
妈妈们之所以会选择去买一个早教机器人，不外乎两点需求：早教+陪伴。事实上，这也是从实际出发做出的选择。
早教很重要，但我们要上班。
老人带娃不知道怎么讲故事。
故事机呆呆傻傻，缺乏互动。
市面上的一些早教机器人，大多数只是一个变了形的平板电脑而已。把平板电脑的技术特色和机器人形的外壳组合在一起，然后就打着早教机器人的旗号大摇大摆地出现了。
但这两款友悦宝智能早教机器人却是实实在在地将“早教”和“陪伴”这两个点做到位了。
△我要发射智慧光波了~
早教方面：专注看、听、说、摸等感知能力训练以及故事、国学、英语等专业资源，还有舞蹈、游戏等创造力激发版块。更难得的是，没有附加琐碎的娱乐功能冲淡早教效果。
陪伴方面：在设计上融入了情感，不再是死板的一个机器。比如摸一摸头，能进行对话；还能接收宝宝的指令，进行全速前进或立刻后退的动作。
所以，很多孩子真的把它当做了自己的好伙伴，睡觉也不肯撒手。
△好好好，我不抢，不抢行了吧
除了把早教+陪伴做到位，这两款机器人还有很多优点，比如：“老人都不用看说明书的傻瓜式一键操作”、“超Q萌超可爱特别加分的流线造型”等等。
接下来就给大家深入介绍这两个可爱的机器人小朋友。
我叫：友悦宝智能早教机器人X6
给0-3岁的宝宝选择玩具特别困难，因为太简单的玩具，宝宝玩几分钟就没兴趣了，太复杂的学习类玩具，宝宝又暂时不需要。
这款友悦宝智能机器人是一个可以互动娱乐的陪伴机器人。首先，它可以让宝宝停止哭闹。另外，它还能促进宝宝的智力发育，给宝宝听音乐、听故事、弹钢琴、学说话。
摸一摸它的头部，就能切换经典儿歌和故事模式，锻炼宝宝的语言感知能力。
如果宝宝对着小机器人说话，就会听到自己刚才的说话内容，而且还有魔声效果。宝宝一定会玩得特别嗨。
捏捏“X6”的小耳朵，就能弹奏欢快的乐曲，培养韵律感。
摇一摇它，还能听到不同动物的叫声，培养认知。
妈妈们看，有“食品级材质”这六个大字，就把心放回肚子里吧~
这个机器人一般是宝宝和老人在用，所以设计上采用了一键操作，“屁股”后的小尾巴转一转就好了。老人不用学，宝宝上手也快。
妈妈们的评论
我叫：友悦宝智能早教机器人X9
我们团队有个同事的女儿最喜欢这个早教机器人。喜欢到什么程度呢？晚上睡觉前，先把机器人摆放好，自己再睡觉！“X9”俨然变成了她最重要的伙伴。
“X9”看上去特别有科技感。黑色的“显示屏眼睛”十分有质感，它还能变化出各种表情，生动得就像emoji表情一样，孩子拿到手就被吸引了。
由于这个早教机的内涵实在太丰富了，咱们就给大家挑几个重点来说一下。
内容专业，早教不愁
里面有故事、儿歌、国学、英语四大板块。其中儿歌41首，故事62篇，国学200片，英文24篇。
这些内容都源于专业出版物，而且由知名儿童播音主持录制。它讲故事很生动，不同的角色有不同声音效果，情绪丰富，一点都不生硬。
它还是一个全能舞王！个人show来啦。
酷不酷炫？这里面33首舞曲囊括全球各地舞蹈，恰恰、华尔兹什么的，应有尽有。
更神奇的是，宝贝听到音乐竟然“一秒入戏”，一起摇摆起来。要知道平时得费多大劲才能让人家表演一下子的。
让宝贝玩得最开心还是人机互动游戏。
通过语音控制四个口令：全速前进、立刻后退、向左转移，向右进攻。宝贝发出口令后，机器人就会做出相应的动作（底部有两个轮子），识别很准确，十分有意思。
材质安全，操作简单，音质点赞
材质方面就不再赘述了，总之安全到宝贝即使啃咬也没关系。妈妈们就放心吧~
所有操作都在一个界面，就和遥控器一样，宝宝和老人使用起来都没压力。
一次充电大概能听8小时，足够熊孩子折腾了。
X9还有一个蓝牙功能，直接连接手机就行，上面的早教内容都可以同步播放，直接当做蓝牙音箱来用。值得一赞的是，音质相当好，听起来很舒服，声音也够大，立体声环绕效果很好了，房间的角角落落都听的很清楚。
后台有好多买过的妈妈们都对这一点赞不绝口呢！
妈妈们的评论
总之，推荐给大家的这两款机器人，外表萌炸天，内在又才华满溢，早教应该具备的儿歌、故事、英语它们都有。重点是，它们还很智能，能和宝贝进行简单的一些互动沟通。
早教、陪伴齐活了。
点这里，宝宝早教不用愁
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
搞定宝宝的“十万个为什么”, 你只需要这本书
有了这些创意绘画工具, 宝宝可以安静一整天
今日搜狐热点&figure&&img src=&https://pic1.zhimg.com/e05be1b3b3100_b.jpg& data-rawwidth=&1445& data-rawheight=&599& class=&origin_image zh-lightbox-thumb& width=&1445& data-original=&https://pic1.zhimg.com/e05be1b3b3100_r.jpg&&&/figure&&i&Tel-Aviv大学深度学习实验室的Ofir同学写了一篇如何入门深度学习的文章，顺手翻译一下，造福生物信息狗。&/i&&p&人工神经网络最近在很多领域（例如&a href=&https://link.zhihu.com/?target=https%3A//research.facebook.com/publications/deepface-closing-the-gap-to-human-level-performance-in-face-verification/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&面部识别&/a&，&a href=&https://link.zhihu.com/?target=http%3A//blogs.microsoft.com/next//microsoft-researchers-win-imagenet-computer-vision-challenge/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&物体发现&/a&和&a href=&https://link.zhihu.com/?target=https%3A//deepmind.com/alpha-go& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&围棋&/a&）都取得了突破，深度学习变得炙手可热。如果你对深度学习感兴趣的话，这篇文章是个不错的起点。&/p&&p&&b&如果你学过线性代数，微积分，概率论和编程&/b&，我建议你从斯坦福大学的&a href=&https://link.zhihu.com/?target=http%3A//cs231n.stanford.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n课程&/a&开始。这门课内容广泛，写得很高。可每次课的幻灯片都可以下载，虽然官方网站删除了配套的视频，但是你很容易就能在网上搜索到。&/p&&p&&b&如果你没有学过那些数学课&/b&，网上也有很多免费的学习材料可以用来学习必要的数学知识。&a href=&https://link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/index.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gilbert Stange的线性代数课程&/a&很适合入门。对于其他科目，edX上有MIT的&a href=&https://link.zhihu.com/?target=https%3A//www.edx.org/course/calculus-1a-differentiation-mitx-18-01-1x& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&微积分&/a&和&a href=&https://link.zhihu.com/?target=https%3A//www.edx.org/course/introduction-probability-science-mitx-6-041x-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&概率论&/a&课程。&/p&&p&&b&如果想学习更多关于机器学习的东西&/b&，&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/machine-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Andrew Ng在Coursera上的机器学习课程&/a&是最佳入门选择。除此之外，&a href=&https://link.zhihu.com/?target=https%3A//work.caltech.edu/telecourse.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Yaser Abu-Mostafa的机器学习课程&/a&更关注理论，但也很适合初学者。学习深度学习并不要求掌握机器学习，但如果能有一些了解的话还是很有帮助的。此外，学习经典的机器学习，而不仅仅是深度学习，能让我们有深厚的理论背景————因为，深度学习并不总是最佳方案。&/p&&p&&b&CS231n并不是在线深度学习课程的唯一选择。&/b&&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/course/neuralnets& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Geoffrey Hinton的Coursera课程『用于机器学习的神经网络』(Neural Nerworks for Machine Learning)&/a&涵盖了诸多内容，&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/playlist%3Flist%3DPL6Xpj9I5qXYEcOhn7TqghAJ6NAPrNmUBH& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hugo Larochelle的『神经网络课』(Neural Networks Class) &/a&也是如此。这两门课都有视频材料。&a href=&https://link.zhihu.com/?target=https%3A//www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nando de Freitas的在线课程&/a&也带有视频、幻灯片和家庭作业。&/p&&p&&b&如果你不喜欢看视频，而是更喜欢阅读&/b&，&a href=&https://link.zhihu.com/?target=http%3A//neuralnetworksanddeeplearning.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《神经网络和深度学习》(Neural Networks and Deep Learning)&/a&是一本为深度学习的初学者撰写的在线免费书。《&a href=&https://link.zhihu.com/?target=http%3A//www.deeplearningbook.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习之书》(The Deep Learning Book)&/a&也是一本很赞的免费书，不过内容略高阶一点。&/p&&p&有了基础知识之后，还可以往这些方面发展：&/p&&ul&&li&几乎上述所有的深度学习材料都或多或少的涉及到&b&计算机视觉&/b&(Computer Vision)。&br&&/li&&li&&b&递归神经网络&/b&(Recurrent Nerual Networks)是用于解决诸如机器翻译和语音识别之类的问题的神经网络模型的基础。&a href=&https://link.zhihu.com/?target=http%3A//karpathy.github.io//rnn-effectiveness/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Andrej Karpathy关于RNN的博客文章&/a&可以帮你学习它。&a href=&https://link.zhihu.com/?target=http%3A//colah.github.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Christopher Olah的博客上有一篇文章&/a&用非常形象生动的方式解释了很多深度学习的概念。&a href=&https://link.zhihu.com/?target=http%3A//colah.github.io/posts/2015-08-Understanding-LSTMs/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&他关于LSTM网络的文章&/a&是一篇很不错的导论，LSTM是一种应用广泛的RNN变体。&br&&/li&&li&&b&自然语言处理&/b&：&a href=&https://link.zhihu.com/?target=http%3A//cs224d.stanford.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS224d&/a&课程介绍了深度学习在自然语言处理中的应用。更高阶的课程来自&a href=&https://link.zhihu.com/?target=http%3A//www.kyunghyuncho.me/home/courses/ds-ga-3001-fall-2015& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Kyunghyun Cho&/a&(这里有&a href=&https://link.zhihu.com/?target=https%3A//github.com/nyu-dl/NLP_DL_Lecture_Note/blob/master/lecture_note.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&课堂笔记&/a&)和&a href=&https://link.zhihu.com/?target=http%3A//u.cs.biu.ac.il/%7Eyogo/nnlp.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Yoav Goldberg&/a&。&br&&/li&&li&&b&增强学习&/b&：如果你想要控制机器人，或者是在围棋比赛上战胜人类，增强学习或许是最佳选择。&a href=&https://link.zhihu.com/?target=http%3A//karpathy.github.io//rl/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Andrej Karpathy关于深度增强学习的博客文章&/a&可以帮你入门。David Silver最近也发表了一篇介绍深度增强学习的&a href=&https://link.zhihu.com/?target=https%3A//deepmind.com/blog& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&短文章&/a&。&br&&/li&&/ul&&br&&p&&b&深度学习框架&/b&：深度学习框架很多，最有名的三个应该是&a href=&https://link.zhihu.com/?target=http%3A//tensorflow.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tensorflow&/a&(谷歌)，&a href=&https://link.zhihu.com/?target=http%3A//torch.ch/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Torch&/a&(Facebook)和&a href=&https://link.zhihu.com/?target=http%3A//deeplearning.net/software/theano/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Theano&/a&(&a href=&https://link.zhihu.com/?target=https%3A//mila.umontreal.ca/en/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MILA&/a&)。三个都很牛逼，如果一定要推荐一个的话，我建议初学者去试试Tensorflow。&a href=&https://link.zhihu.com/?target=https%3A//www.tensorflow.org/versions/r0.9/tutorials/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tensorflow的教程&/a&很不错。&/p&&p&训练神经网络几乎离不开GPU。虽然不是必须的，但GPU可以帮你更快的完成工作。NVIDIA显卡是工业标准，大部分研究实验室都在用一千美元的显卡，很少有便宜货能搞定这个事情。另一个成本更低的办法是从诸如亚马逊之类的云计算服务供应商那租一个带GPU的实例（&a href=&https://link.zhihu.com/?target=https%3A//www.kaggle.com/c/facial-keypoints-detection/details/deep-learning-tutorial& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这里有短教程&/a&）。&/p&&p&祝你好运！&/p&&p&日&/p&&p&原文地址：&a href=&https://link.zhihu.com/?target=http%3A//ofir.io/How-to-Start-Learning-Deep-Learning/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&ofir.io/How-to-Start-Le&/span&&span class=&invisible&&arning-Deep-Learning/&/span&&span class=&ellipsis&&&/span&&/a&&/p&
Tel-Aviv大学深度学习实验室的Ofir同学写了一篇如何入门深度学习的文章，顺手翻译一下，造福生物信息狗。人工神经网络最近在很多领域（例如，和）都取得了突破，深度学习变得炙手可热。如果你对深度学习感兴趣的话，这篇文章是个不错的…
&figure&&img src=&https://pic4.zhimg.com/v2-d0ad0ad206ee3462a5bcdb_b.jpg& data-rawwidth=&1200& data-rawheight=&675& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic4.zhimg.com/v2-d0ad0ad206ee3462a5bcdb_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-eba720fdc8b57a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&500& data-rawheight=&300& data-thumbnail=&https://pic3.zhimg.com/v2-eba720fdc8b57a_b.jpg& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic3.zhimg.com/v2-eba720fdc8b57a_r.jpg&&&/figure&&p&听说你天资聪颖、骨骼清奇，当真是不世出的无人车技术高手？&/p&&p&但苦于怀才不遇、伯乐难寻？&/p&&p&若，你，不，服，好说，机会来了——一个与大神&b&直接过招&/b&的机会，就摆在你眼前！&/p&&p&量子位邀请“教主”楼天城、业界大牛王乃岩、“睡神”杨文利等技术大神，一起发功，写出这份&b&《史上最难无人车试题》&/b&。&/p&&p&这可是你没有见过的全新版本！&/p&&p&只要回答出&b&大神的难题&/b&，就能获得与他们见面的入职直通车！几十万年薪+股权离你不再遥远。&/p&&p&不服，就来战！&/p&&blockquote&答题指南&br&解出答案后，直接在量子位公众号(QbitAI)对话界面回复，答对即可获得应聘&b&直通车&/b&。&br&&b&温馨提示：不是在留言区回复哦！&/b&&/blockquote&&figure&&img src=&https://pic3.zhimg.com/v2-78ecb1dd061b87b904bd5b2d6d782f5b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&500& data-rawheight=&650& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic3.zhimg.com/v2-78ecb1dd061b87b904bd5b2d6d782f5b_r.jpg&&&/figure&&p&“教主”楼天城（Pony.ai CTO）&/p&&p&&b&提问：17皇后有多少组解？&/b&&/p&&p&（直接回复数字）&/p&&figure&&img src=&https://pic1.zhimg.com/v2-609ad15f9f9f9a2da600ba_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/v2-609ad15f9f9f9a2da600ba_r.jpg&&&/figure&&p&王乃岩（图森未来 首席科学家）&/p&&p&&b&提问：假设每一层卷积的通道数都一致，stride都等于1，无bias，那么一个5乘5卷积层和两个3乘3卷积层的参数量、理论计算量和感受野大小的比例分别是多少？答案需精确到小数点后两位。&/b&&/p&&p&（直接回复数字，三个答案间用#分隔。例如三个答案分别为1.00，则回复1.00#1.00#1.00）&/p&&figure&&img src=&https://pic4.zhimg.com/v2-b0ba2bb16cf91bca7b1b5da162acfc84_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&385& data-rawheight=&348& class=&content_image& width=&385&&&/figure&&p&吴甘沙（驭势科技 CEO）&/p&&p&&b&提问：17年ImageNet第一名网络SENet比14年第一名网络GoogLeNet的Top-1 Accuracy绝对值提高___%，SENet (图像输入尺寸320X320)乘加次数是GoogLeNet（图像输入尺寸224X224）的___倍&/b&&/p&&p&（直接回复数字，两个答案间用#分隔）&/p&&figure&&img src=&https://pic4.zhimg.com/v2-dcacc5da9ecd55f4e468329d_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&223& data-rawheight=&232& class=&content_image& width=&223&&&/figure&&p&胡杰（Momenta，ImageNet 17图像分类冠军）&/p&&p&&b&提问：在给定一张输入图片上加上任意的较小噪声，那么CNN会将它识别成？&/b&&/p&&p&&b&以下描述最准确的是： A. 原本的类别； B 相似类别； C 任何类别； D 完全不相似的类别&/b&&/p&&p&（直接回复字母）&/p&&figure&&img src=&https://pic1.zhimg.com/v2-743e7d5bb4b32304ca32_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&455& data-rawheight=&433& class=&origin_image zh-lightbox-thumb& width=&455& data-original=&https://pic1.zhimg.com/v2-743e7d5bb4b32304ca32_r.jpg&&&/figure&&p&倪凯（禾多科技 CEO）&/p&&p&&b&提问：无人驾驶的各个场景，哪些更有希望实现量产化，为什么？&/b&&/p&&p&（直接回复答案，温馨提示：答案中包含几个关键词，每个关键词长度为2~5个汉字，答案触发关键词即能弹出简历直通车）&/p&&figure&&img src=&https://pic3.zhimg.com/v2-4e89af089a109d74f89c569_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&292& data-rawheight=&292& class=&content_image& width=&292&&&/figure&&p&“睡神”杨文利（领骏科技 CEO）&/p&&p&&b&提问：自动驾驶车的乘坐体感是衡量自动驾驶能力的一个重要指标。不好的乘坐体感会令乘客感觉不舒适，不安全，严重时会导致晕车。请问哪个物理量对乘坐体感影响最大？&/b&&/p&&p&A 汽车的行驶速度&/p&&p&B 汽车的转向角速度&/p&&p&C 汽车的加速度&/p&&p&D 汽车加速度变化率&/p&&p&（直接回复字母）&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d1a5ad907bb63cbb7786_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&400& data-rawheight=&220& data-thumbnail=&https://pic4.zhimg.com/v2-d1a5ad907bb63cbb7786_b.jpg& class=&content_image& width=&400&&&/figure&&p&还没遇到心仪的考题？别担心，再给你最后一次机会——&/p&&p&还是来自“教主”楼天城。&/p&&p&&b&提问：Velodyne的64线激光雷达的垂直分辨率是16线的几倍(精确到小数点后1位)？&/b&&/p&&p&（直接回复数字）&/p&&figure&&img src=&https://pic1.zhimg.com/v2-3bddaf436b622_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&500& data-rawheight=&254& data-thumbnail=&https://pic1.zhimg.com/v2-3bddaf436b622_b.jpg& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic1.zhimg.com/v2-3bddaf436b622_r.jpg&&&/figure&&p&与行业技术大牛的正面交锋还顺利吗？是不是已经收获好几家的简历直通车了？&/p&&p&恭喜你，可能不一会儿就有神秘来客给你打电话了~&/p&&p&诶等等，国内的无人车公司这么多，你是否对它们进行全面了解了呢？&/p&&p&&b&量子位在这里另准备了一份试题&/b&，帮你了解国内无人车创企的二三事。欢迎通过下面这个传送门继续来玩~&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/Ln6LDOWFw67BuuOfbQrG5Q& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&史上最难无人车试题：直接与大神过招，不服来战！&/a&&/p&&p&开卷大吉，来次狗！&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a& · 头条号签约作者&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
听说你天资聪颖、骨骼清奇，当真是不世出的无人车技术高手？但苦于怀才不遇、伯乐难寻？若，你，不，服，好说，机会来了——一个与大神直接过招的机会，就摆在你眼前！量子位邀请“教主”楼天城、业界大牛王乃岩、“睡神”杨文利等技术大神，一起发功，写出…
我觉得自动化在工科里还算是比较不错的专业了，自动化的一级学科是控制科学与工程，下面有多个二级学科，那么我认为首先应该看看这些二级学科，就能比较容易的理解专业的用途和基础课程了。&br&第一个是控制理论与控制工程，又叫双控，这个方向主要研究控制理论，有些做工业控制，那么基础课程自然首先就是控制理论了，包括自动控制原理，现代控制原理，计算机控制理论等等，控制理论的核心是控制算法，对数学基础要求很高，同时也要学会matlab仿真，PLC和单片机编程都比较重要。&br&第二个方向很火，是模式识别与智能系统，这已经很偏向计算机了，主要研究方向包括机器学习、人工智能、图像处理等等，核心就是算法和编程，所以它对基础课程的要求肯定是编程能力和数学基础了。&br&第三个方向是检测技术及自动化装置，其实挺偏向仪器的了，在本科的话主要课程就是传感器，信号系统，信号处理这些了，基础当然是数模电电路等硬件课程。&br&第四个是导航制导与控制，这个方向其实和双控的主要区别就是研究对象的问题，比较专精，需要学习惯性制导等专业课程。&br&第五个系统工程，这个不太了解，就不说了。&br&所以看，我们本科学习的数学、数模电、电路、信号与系统、数字信号处理、控制理论、传感器、程序设计就是这些方向的基础，即便不读研也可以在本科课程的基础上进行拓展，选择合适的就业方向，为什么设置这些专业课程也就明白了。&br&所以从自动化学科的角度来说，你可以选择计算机领域、硬件领域、航空航天领域等等，基本主要工业领域都可以选择，我身边的同学毕业有做互联网的，有做硬件工程师的，有做工控嵌入式的，方向很多，收入也不错。&br&至于教学方式，这个我们无法决定，但我们对于知识是可以自我拓展学习的，我的建议是基础课程一定要学好，而且很推荐在大二大三申请参加一些创新创业项目和一些比赛，大学感觉自学比较重要吧，而且目前来看，努力提升编程能力是收益比较高的。&br&希望这个回答能提升一下对专业的认识，总之现在热门的机器人、机器学习等等都是自动化方向，还是很不错的专业，最重要的课程列一下吧，好好学没问题的：&br&数学类：高等数学，线性代数，概率论，复变函数积分变换&br&编程：C语言，C++，MATLAB，汇编语言，数据结构，也可以学学java&br&硬件：电路，数电，模电，PLC，单片机，微机原理，传感器&br&控制理论：自动控制原理，现代控制理论，计算机控制系统，MATLAB仿真&br&上面的也就是核心的了，不过大部分学校会开类似于理论力学，材料力学，过程控制，机械原理，惯性导航之类的课程，这个也挺重要，不过对自动化方面就比较次要了，看自己兴趣了。&br&才疏学浅，希望有用吧。&br&～～～～～～～～～～～～～～～～～&br&再补充一点，感谢评论指出的控制对象问题，首先电力拖动，电力电子等课程非常重要，和数电模电一样也是比较核心的课程，希望看到答案的同学用心学。&br&其实，控制对象也决定了学校的学科特色和重点方向，有很多打算读研选方向的同学，我有一点建议，就是选择方向一定要结合学校特色和其强势专业，再看一下该校的控制学科的部级以上研究机构的研究方向，很有参考价值，具体说几个例子，哈工大的控制学科隶属于航天学院，其重点方向也就是飞行器控制和导航制导；中南大学东北大学北科大等学校冶金专业强势那么其针对矿冶的过程控制当然比较核心；西安交大的控制学科有机械制造系统的国重实验室那么自然是结合它强势的机械学科；华科的自动化有图像处理的教育部重点实验室所以其图像不错。举几个例子希望能帮到大家选择方向，毕竟同样是控制，有的做飞行器，有的做冶金，有的做制造，有的做图像，范围特别宽泛，不一定非要按着排名去找学校，找到一个在实力和就业前景上符合自己预期的方向应该会更好。
我觉得自动化在工科里还算是比较不错的专业了，自动化的一级学科是控制科学与工程，下面有多个二级学科，那么我认为首先应该看看这些二级学科，就能比较容易的理解专业的用途和基础课程了。 第一个是控制理论与控制工程，又叫双控，这个方向主要研究控制理…
&figure&&img src=&https://pic3.zhimg.com/v2-7d621e9b422a452a03014_b.jpg& data-rawwidth=&1280& data-rawheight=&720& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic3.zhimg.com/v2-7d621e9b422a452a03014_r.jpg&&&/figure&&p&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ca629e3baa8a45f800c24f7a65c39e76_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2929& data-rawheight=&1072& class=&origin_image zh-lightbox-thumb& width=&2929& data-original=&https://pic2.zhimg.com/v2-ca629e3baa8a45f800c24f7a65c39e76_r.jpg&&&/figure&&p&&br&&/p&&p&本系列的前两集来自 Google 的&i&Yufeng Guo&/i& 已经给大家介绍了有关机器学习的基础概念和入门常识，回顾视频请看：&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/aia-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&边看边练的简明机器学习教程&/a&&/p&&p&&br&&/p&&p&终于，我们在第三集迎来代码了，惊不惊喜？意不意外？其实本集的代码也一点都不难，另外我们在视频后面还准备了肥肠基础的小练习（点 &b&&i&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/aia-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这里&/a&&/i&&/b& 前往集智原贴调教代码），方便大家边看♂边练。怎么样才能成为逐步成为一代宗师？无他，但手熟尔。&/p&&p&&br&&/p&&h2&&b&&i&第三集：《简单易懂的 Estimators（评估器）》&/i&&/b&&/h2&&a class=&video-box& href=&https://link.zhihu.com/?target=https%3A//www.zhihu.com/video/032320& target=&_blank& data-video-id=&& data-video-playable=&true& data-name=&& data-poster=&https://pic4.zhimg.com/80/v2-a4b8e212c36807aeb8be1dbf6f3f9cf7_b.jpg& data-lens-id=&032320&&
&img class=&thumbnail& src=&https://pic4.zhimg.com/80/v2-a4b8e212c36807aeb8be1dbf6f3f9cf7_b.jpg&&&span class=&content&&
&span class=&title&&&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://www.zhihu.com/video/032320&/span&
&p&&br&&/p&&h2&&b&编程实践&/b&&/h2&&p&&br&&/p&&p&&i&&b&数据准备&/b&&/i&&/p&&p&&br&&/p&&p&train_test_split() 函数的参数 test_size，表示训练集所占的比例，取值在0~1之间。如test_size=0.5 则表示训练集和数据集五五开。&/p&&p&&br&&/p&&ul&&li&请补全以下代码，设置参数 test_size，&b&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/aia-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&点击&/a&&/b&运行检验答案。&/li&&/ul&&figure&&img src=&https://pic3.zhimg.com/v2-075cafb576ecdb9733858_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&870& data-rawheight=&565& class=&origin_image zh-lightbox-thumb& width=&870& data-original=&https://pic3.zhimg.com/v2-075cafb576ecdb9733858_r.jpg&&&/figure&&p&&br&&/p&&p&&i&&b&特征选择与模型搭建&/b&&/i&&/p&&p&&br&&/p&&p&建立 TensorFlow 格式的特征列，根据对数据的理解可知，共有4列特征。&/p&&p&&br&&/p&&ul&&li&请补全以下代码，设置参数 shape，&b&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/aia-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&点击&/a&&/b&运行检验答案。&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-c9d7c418bc2a9c8fb4344_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&879& data-rawheight=&416& class=&origin_image zh-lightbox-thumb& width=&879& data-original=&https://pic1.zhimg.com/v2-c9d7c418bc2a9c8fb4344_r.jpg&&&/figure&&p&&br&&/p&&p&&i&&b&训练/评估&/b&&/i&&/p&&p&&br&&/p&&p&在准备好数据和模型之后，接下来只需让模型读取数据，再执行训练和测试。为了匹配 TensorFlow 的数据类型，首先需要定义输入函数。&/p&&p&&br&&/p&&ul&&li&请根据 _fn() 已有的代码，完成以下设置，&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/aia-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&点击&/a&运行检验答案。&/li&&/ul&&figure&&img src=&https://pic4.zhimg.com/v2-daedce42964_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&882& data-rawheight=&827& class=&origin_image zh-lightbox-thumb& width=&882& data-original=&https://pic4.zhimg.com/v2-daedce42964_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&本系列往期视频：&/p&&blockquote&&i&&b&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&Part 1 《What is Machine Learning?》&/a&&/b&&/i& &i&&b&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&Part2 《The 7 Steps of Machine Learning》&/a&&/b&&/i&&/blockquote&&p&&br&&/p&&p&&b&&i&拓展阅读：&/i&&/b&&/p&&p&&br&&/p&&p&&i&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/pornhub-ai-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&世上最大的不可描述网站也向AI和机器学习势力低头了！&/a&&/i&&/p&&p&&i&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/machine-learning-finds-out-game-cheating& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&以彼之道，还施彼身——使用机器学习来揪出作弊的玩家&/a&&/i&&/p&&p&&i&&a href=&https://link.zhihu.com/?target=https%3A//jizhi.im/blog/post/ai-demystified& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&人工智能揭秘，带你了解AI的前世今生&/a&&/i&&/p&&p&&br&&/p&&p&&br&&/p&&p&官方微博：&a href=&https://link.zhihu.com/?target=https%3A//weibo.com/p/9058/home%3Ffrom%3Dpage_mod%3DTAB%23place& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@景略集智&/a&&/p&&p&微信公众号：jizhi-im&/p&&p&bilibili视频空间：&a href=&https://link.zhihu.com/?target=https%3A//space.bilibili.com//%23%21/video& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&哔哩哔哩 ( ゜- ゜)つロ 乾杯~ Bilibili&/a&&/p&&p&商务合作： &a href=&https://www.zhihu.com/people/7d81ea65e16ff830a82a869b2823ecc2& class=&internal&&@军师&/a&&/p&&p&投稿转载：kexiyang@jizhi.im&/p&&p&集智QQ群：&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-efbbde0fef67ea51c94cafa7_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1024& data-rawheight=&831& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&https://pic3.zhimg.com/v2-efbbde0fef67ea51c94cafa7_r.jpg&&&/figure&&p&&/p&
本系列的前两集来自 Google 的Yufeng Guo 已经给大家介绍了有关机器学习的基础概念和入门常识，回顾视频请看： 终于，我们在第三集迎来代码了，惊不惊喜？意不意外？其实本集的代码也一点都不难，另外我们在视频后面还准备了肥肠…
&figure&&img src=&https://pic2.zhimg.com/v2-3fd6c5ad2_b.jpg& data-rawwidth=&480& data-rawheight=&270& class=&origin_image zh-lightbox-thumb& width=&480& data-original=&https://pic2.zhimg.com/v2-3fd6c5ad2_r.jpg&&&/figure&&blockquote&哈哈哈，距离斯坦福计算机视觉课程结束5个月，2017春季CS231n中文版终于上线了，课程中文版已经在&a href=&https://link.zhihu.com/?target=http%3A//mooc.ai& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&AI慕课学院&/a&发布（ free free free ），11月10日正式开课，预计持续12周！&/blockquote&&p&无法科学上网看到原视频的同学，现在可以在国内看到完整流畅的中文版视频了。中文版课程链接：&a href=&https://link.zhihu.com/?target=http%3A//www.mooc.ai/course/268& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&mooc.ai/course/268&/span&&span class=&invisible&&&/span&&/a&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-4a4dd6bda584dc628fb6_b.jpg& data-rawwidth=&957& data-rawheight=&534& class=&origin_image zh-lightbox-thumb& width=&957& data-original=&https://pic4.zhimg.com/v2-4a4dd6bda584dc628fb6_r.jpg&&&figcaption&lecture1 计算机视觉概述视频截图&/figcaption&&/figure&&figure&&img src=&https://pic1.zhimg.com/v2-4f6dc2cbfabe_b.jpg& data-rawwidth=&916& data-rawheight=&512& class=&origin_image zh-lightbox-thumb& width=&916& data-original=&https://pic1.zhimg.com/v2-4f6dc2cbfabe_r.jpg&&&figcaption&lecture1 计算机视觉概述视频截图&/figcaption&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-5571c3dfc4eabd362c0bc_b.jpg& data-rawwidth=&1038& data-rawheight=&585& class=&origin_image zh-lightbox-thumb& width=&1038& data-original=&https://pic3.zhimg.com/v2-5571c3dfc4eabd362c0bc_r.jpg&&&figcaption&lecture1 李飞飞介绍计算机视觉历史背景视频截图&/figcaption&&/figure&&p&为了方便大家交流，AI研习社专门开辟了社区供大家交流。在社区中，目前支持大家提问/回答，以及发布文章，可以插入图片、视频、超链接、代码块、公式编辑器，欢迎大家在社区中进行更多形式的交流~&/p&&p&社区地址：&a href=&https://link.zhihu.com/?target=http%3A//mooc.ai/bbs& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&mooc.ai/bbs&/a&&/p&&p&请大家在学习过程中多做学习笔记，不仅仅是记录课堂知识，更是结合自己的思考和理解，这样可以理解更加透彻，更利于知识内化。欢迎大家把学习笔记发布在mooc.ai/bbs 的博客区！写得好的博客，会发布在我们的公众号哦！&/p&&h2&&b&我们先来介绍一下，CS231n&/b&&/h2&&p&CS231n的全称是CS231n: &i&Convolutional Neural Networks for Visual Recognition&/i&，即面向视觉识别的卷积神经网络。&/p&&p&该课程是斯坦福大学计算机视觉实验室推出的课程。需要注意的是，我们这次翻译的是2017春季（4月至6月）的最新版本。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-700a840fba746d171eff5fa_b.jpg& data-caption=&& data-rawwidth=&978& data-rawheight=&512& class=&origin_image zh-lightbox-thumb& width=&978& data-original=&https://pic2.zhimg.com/v2-700a840fba746d171eff5fa_r.jpg&&&/figure&&h2&&b&任课导师&/b&&/h2&&p&导师和去年一样，还是由李飞飞教授和他的两个博士生Justin Johnson和Serena Yeung领衔教授。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-16bcfaff92b1dd02be865_b.jpg& data-caption=&& data-rawwidth=&1221& data-rawheight=&790& class=&origin_image zh-lightbox-thumb& width=&1221& data-original=&https://pic4.zhimg.com/v2-16bcfaff92b1dd02be865_r.jpg&&&/figure&&h2&&b&课程描述&/b&&/h2&&p&引用课程主页上的官方课程描述如下：&/p&&blockquote&计算机视觉已经在我们的社会中无处不在，并广泛运用在搜索、图像理解、应用程序、测绘、医药、无人机和自动驾驶汽车等领域。这些应用程序的核心技术是视觉识别任务，如图像分类、图像定位和图像检测。近期，神经网络（又名“深度学习”）方法上的进展极大地提高了这些代表最先进水平的视觉识别系统性能。&/blockquote&&p&本课程深入探讨深度学习架构的细节问题，重点学习视觉识别任务（尤其是图像分类任务）的端到端学习模型。在为期10周的课程中，学生将学习如何实现、训练和调试自己的神经网络，并建立起对计算机视觉领域前沿研究方向的详细理解。最后的任务将涉及训练一个有数百万参数卷积神经网络，并将其应用于最大的图像分类数据库（ImageNet）上。&/p&&p&我们将着重教授如何设置图像识别问题，学习算法（例如反向传播），用于训练和微调（fine-tuning）网络的工程实践技巧，引导学生完成实践作业和最终课程项目。本课程的大部分背景知识和素材都来源于ImageNet Challenge竞赛。&/p&&h2&&b&课程内容&/b&&/h2&&p&2017 春季CS231n包括 PPT 和视频在内的所有教学资料都已开放。雷锋字幕组将为大家提供相应的资源和中文视频。&/p&&p&通过查看官方课程表，我们可以看到CS231n课程资源主要由授课视频与PPT，客座讲座，授课知识详解笔记，课程作业，课程项目五部分组成。其中：&/p&&ul&&li&授课视频14课。每节课时约1小时左右，每节课一份PPT。&/li&&li&客座讲座2课。每节讲座约1小时30分左右。&/li&&li&授课知识详解笔记共16份。&/li&&li&课程作业3次。&/li&&li&课程项目1个。&/li&&li&拓展阅读若干。&/li&&/ul&&h2&&b&课程大纲&/b& &/h2&&blockquote&第一讲：课程简介&br&计算机视觉概述&br&历史回顾&br&课程逻辑顺序&br&&br&第二讲：图像分类&br&数据驱动方法&br&K最近邻算法&br&线性分类I&br&&br&第三讲：损失函数和优化&br&线性分类II&br&进阶模型表示与图像特征&br&优化，随机梯度下降&br&&br&第四讲：介绍神经网络&br&反向传播算法&br&多层感知器&br&神经学观点&br&&br&第五讲：卷积神经网络&br&历史&br&卷积和池化&br&视觉之外的卷积神经网络&br&&br&第六讲：训练神经网络，第一部分&br&激活函数，初始化，信号丢失，小批量正则化&br&&br&第七讲：训练神经网络，第二部分&br&更新原则，集成，数据增强，迁移学习&br&&br&第八讲：深度学习软件&br&Caffe, Torch, Theano, TensorFlow, Keras, PyTorch等等&br&&br&第九讲：卷积神经网络架构&br&AlexNet, VGG, GoogLeNet, ResNet 等等&br&&br&第十讲：递归神经网络&br&RNN,LSTM,GRU&br&自然语言模型&br&图像字幕，视觉问题回答，软性关注&br&&br&第十一讲：检测与分割&br&语义分割&br&目标检测&br&实例分割&br&&br&第十二讲：可视化和理解&br&表征可视化&br&对抗实例&br&DeepDream和风格迁移&br&&br&第十三讲：生成模型&br&Pixel RNN/CNN&br&自编码器&br&生成对抗网络&br&&br&第十四讲：深度增强学习&br&方法梯度，硬性关注&br&Q-学习，评价器&br&&br&第十五讲：Song Han、Ian Goodfellow 教授客座讲授&br&&br&第十六讲：学生讨论，推导&/blockquote&&h2&&b&翻译团队&/b&&/h2&&p&终于等到课程上线了！为了让新版CS231n以最快的速度呈现在大家面前，译者们牺牲了很多时间来翻译、校对、润色、审核，目前@雷锋字幕组 已经组建了专门的CS231n翻译小分队，大部分译者有计算机专业背景及从业经历，关于翻译质量，译者不过多自评，还请同学们来甄别~判断~指正&/p&&h2&&b&课程评价&/b&&/h2&&p&我们都觉得超级棒！CS231n是非常好的入门材料，也是计算机视觉和深度学习领域最经典的课程之一，这门课适合绝大多数想要学习深度学习知识的人。希望这次翻译能够帮助到，不喜欢看英文生肉视频的你们！下面是雷锋字幕组译者们对该课程的走心评价：&/p&&p&&b&@李石羽：&/b&CS231n这门课我以前断断续续看过一些，觉得讲的还是很好的，尤其是在入门和进阶阶段。我本身专业也相关，所以做翻译的时候也是尽量去理解老师要讲什么再去翻，争取能方便大家理解。&/p&&p&&b&@Jackie：&/b&CS231N这门课是入门神经网络很好的课程,内容简单易懂,特别适合没有基础的同学.课程比较系统的简绍了神经网络的常用方法,尤其是重要概念的介绍比较详细生动,例如梯度下降法,BP法等。&/p&&p&&b&@姜波：&/b&从课程内容上来说，由浅到深蛮不错的，尤其是计算机视觉与深度学习结合的点非常好。&/p&&p&&b&@熊浪涛：&/b&这门课大家都知道啊，讲的很全面，尤其是DL在CV方向上。翻译也是进一步学习课程的很好的方法，还有就是也能帮助大家，可以放2倍速看视频了。翻译也是一件很有意思的事情，对中文和英文学习都有帮助。单就这门课程来说，搞这个的算是家喻户晓吧。我是看完Deep Learning那本书，然后再来看这个视频，看看别人怎么思考这些问题的。&/p&&p&&b&@王青松：&/b&我已经看过16年的这门课，17年的说实话，还没有完整看过，这门课很好，可以了解很多当下前沿内容，工业应用，从中可以发现一些我可以去结合的地方。&/p&&p&&b&@程炜：&/b&因为专门针对视觉识别，在这方面可以比较深入，针对性较强。而且有对课程作业的讲解，有学有练。课程更新快。适合想要深度学习入门的童鞋。&/p&&p&&b&@安妍：&/b&觉得课程还是非常好的，而且对一些硬性的基础要求并不是非常高，而且能更近距离接触到全球的AI领域大牛的前辈，能够听取到他们的言论，是工作和职业所不能带给我的。&/p&&p&now，强势安利一波，目前雷锋字幕组还有许多优秀AI课程仍在翻译中，希望和我们一起翻译学习进步，欢迎微信联系 &b&julylihuaijiang&/b&，加入我们。戳&a href=&https://link.zhihu.com/?target=http%3A//www.mooc.ai/course/268& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这个链接&/a&，观看视频！&/p&&figure&&img src=&https://pic4.zhimg.com/v2-fe1bb713d_b.jpg& data-caption=&& data-rawwidth=&1280& data-rawheight=&1395& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic4.zhimg.com/v2-fe1bb713d_r.jpg&&&/figure&&p&&/p&
哈哈哈，距离斯坦福计算机视觉课程结束5个月，2017春季CS231n中文版终于上线了，课程中文版已经在发布（ free free free ），11月10日正式开课，预计持续12周！无法科学上网看到原视频的同学，现在可以在国内看到完整流畅的中文版视频了。中文版…
&figure&&img src=&https://pic3.zhimg.com/v2-c35fb304af6015cdcdd3e83c_b.jpg& data-rawwidth=&600& data-rawheight=&700& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-c35fb304af6015cdcdd3e83c_r.jpg&&&/figure&&p&机器之心整理&/p&&p&&b&机器之心编辑部&/b&&/p&&blockquote&今年 8 月份，机器之心推荐了斯坦福 2017 CS231n 春季课程。近日，斯坦福公开了 STATS 385 秋季课程（还未结课，10.11-12.16)，主题为《深度学习理论》，相关的课件资源也已放出（部分视频公开），希望能为大家寻求课程资源提供帮助。&/blockquote&&figure&&img src=&https://pic2.zhimg.com/v2-93a84f44ebf156dff0ee1efc_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&562& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-93a84f44ebf156dff0ee1efc_r.jpg&&&/figure&&ul&&li&课程地址：&a href=&https://link.zhihu.com/?target=https%3A//stats385.github.io& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&stats385.github.io&/span&&span class=&invisible&&&/span&&/a& (&a href=&https://link.zhihu.com/?target=https%3A//stats385.github.io/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&stats385.github.io/&/span&&span class=&invisible&&&/span&&/a&)&/li&&li&视频地址：&a href=&https://link.zhihu.com/?target=https%3A//www.researchgate.net/project/Theories-of-Deep-Learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&researchgate.net/projec&/span&&span class=&invisible&&t/Theories-of-Deep-Learning&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&B站地址：&a href=&https://link.zhihu.com/?target=https%3A//www.bilibili.com/video/av/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&bilibili.com/video/av16&/span&&span class=&invisible&&136625/&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&p&&br&&/p&&p&&b&课程介绍&/b&&/p&&p&深度学习最近的成就很大程度上基于经验，不过，学者们总是在试图在理论层面上解释发展背后的原因。在斯坦福大学新推出的课程《Theories of Deep Learning》中，我们将从讲师 Bruna、Mallat、Mhaskar、Poggio、Papyan等人那里，试图建立神经网络背后的理论体系。在最初的背景介绍课程之后，几个论文作者将对自己的工作进行专门讲解。本课程共有 10 讲，每周上一次课。&/p&&p&该课程主要可以分为四部分，即回顾深度学习的概念、复习深度学习的理论方法、然后再讨论具体的理论贡献和最后三个课程的理论分析。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b97c60bf8fa01795d08def64f2c5e2d5_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&579& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-b97c60bf8fa01795d08def64f2c5e2d5_r.jpg&&&/figure&&p&&i&课程结构图&/i&&/p&&p&&br&&/p&&p&从上图可以看出，该课程主要围绕五个主题讨论，即统计机器学习、最优化理论、逼近理论和 调和分析（Harmonic analysis）和神经科学。可能我们比较熟悉的就是统计机器学习和最优化方法，他们确实能解释深度学习具体算法到底是如何工作的，但并不足以构建深度学习的理论基石。&/p&&p&该课程开篇先讨论了深度学习的挑战，即它到底是不是有理论依据。当然这里并不是说深度学习算法没有理论推导与分析，而是说该领域是不是存在一个普遍的理论基础，它应该拥有逻辑自洽和可解释性。这一部分的课程先解释了深度学习目前所出现的问题，例如它的黑箱问题、理论可解释性问题等等。随后介绍了试图构建相关理论的方法，如神经科学、调和分析（Harmonic analysis）、逼近理论、统计机器学习。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-65e34a49359e13abb1d59_b.jpg& data-caption=&& data-rawwidth=&498& data-rawheight=&574& class=&origin_image zh-lightbox-thumb& width=&498& data-original=&https://pic4.zhimg.com/v2-65e34a49359e13abb1d59_r.jpg&&&/figure&&p&&i&尝试使用神经科学的观点解释视觉与卷积神经网络&/i&&/p&&p&前面既然已经了解到了深度学习的局限性，那么第二课就具体讨论了深度学习（主要以 CNN 为例）所涉及的概念与理论。这一部分从最基本的感知机单元（现在已有另外一个基本单元 Capsule）开始，详细介绍了各主流 CNN 框架与常用的训练技巧，如正则化、批量归一化（BN）和最优化方法等。&/p&&p&下面我们简要地展示了这一部分课程的内容。我们知道感知机是深度神经网络的基本构成单元，它是构成目前所有架构的基础，包括最近 Hinton 开放的 Capsule 单元也只是利用一组神经元以表征向量。而组织这些基本单元的架构就是整个神经网络的结构，一般这些神经元会有正向和反向传播两种路径，正向传播以给定输入数据做出推断，而反向传播误差以更新网络。以下是该课程给出的定义：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-2ffdbb43ffec3bce98a5a_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&564& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-2ffdbb43ffec3bce98a5a_r.jpg&&&/figure&&p&而基于这两种传播方式的 CNN 也有不同的架构以实现不同的功能。本课程以 AlexNet 为例详细介绍了深度卷积网络的架构与概念，包括 ReLU 激活函数、最大池化和 Dropout 机制等，当然训练过程中常见的最优化方法、批量大小和权重衰减策略也都有介绍。下面展示了近来各深度卷积网络的准确度与网络运算规模：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-11b52df3d4bbfea9eed1_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-11b52df3d4bbfea9eed1_r.jpg&&&/figure&&p&除了模型的构建，深度学习比较重要的就是模型的训练了，但模型的训练是一个非常工程的问题，我们会有很多的训练技巧。该课程简要介绍了正则化或批归一化等技术，这对于理解如何训练深度神经网络十分重要。总的来说，这一部分课程重点介绍了目前深度学习的主要架构与方法。&/p&&p&第三课主要讨论如何使用 Harmonic 分析方法解析深度卷积神经网络，这一部分从非线性特征提取器的重要地位开始，讲述了特征的位置不变性，即同一个特征在不同位置出现应该都能检测到并正确识别出来。这一部分如下做了大量的理论性分析：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-cca0a9938aea_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&412& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-cca0a9938aea_r.jpg&&&/figure&&p&此外，这一部分还讨论了许多 Topology reduction 方面的知识。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-1deccfc3afba7f757c598b114ceb41b9_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&436& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-1deccfc3afba7f757c598b114ceb41b9_r.jpg&&&/figure&&p&前面第三课主要从谐波分析的角度介绍了卷积网络，而后面第四课主要讨论了将 CNN 解释为生成模型的推断，通过动态规划解释卷积网络的推断和使用 EM 算法解释学习的过程。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-f7f2a649a955f442b4a0_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&365& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-f7f2a649a955f442b4a0_r.jpg&&&/figure&&p&下面是从动态规划的角度理解卷积网络，即 CNN 可以解释为一种通过最大化输入相似度而寻找概念记忆的动态规划方法。这种方法虽然在数学上是和 CNN 等价的，但直观经验上并不太等价。 &/p&&figure&&img src=&https://pic4.zhimg.com/v2-fd339b0ad8aa784ceeb7c_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&332& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-fd339b0ad8aa784ceeb7c_r.jpg&&&/figure&&p&此外，通过反向传播学习也可以根据 Hard EM 方法而做出解释。如下所示，EM 和 EG 算法的 E 步和 M/G 步可以分别等价解释为前馈传播卷积操作和反向传播误差以更新权重。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-b26bea4dbfd3ff042f84d_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-b26bea4dbfd3ff042f84d_r.jpg&&&/figure&&p&我们现在不仅已经了解了深度学习的基本原理与概念，同时对于理论性的解释也有所涉猎。但深度学习中还会存在很多问题，例如维度灾难、高度非凸函数优化等。这一部分课程主要从逼近理论、最优化理论和学习理论三个角度讨论深度学习令人疑惑的问题。&/p&&p&从逼近理论来说，我们需要清楚什么时候及为什么深层网络要比浅层网络更好。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-328d0cb9ed246c1b7e32ba64da77c1f2_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-328d0cb9ed246c1b7e32ba64da77c1f2_r.jpg&&&/figure&&p&而从最优化理论来说，我们是否能够探知经验风险的整体趋势，而不是只能像 SGD 甚至是二阶牛顿法那样只能探测到损失函数的局部变化特征。而对于深度神经网络那样的高度非凸函数，寻找经验风险函数的整体趋势对于避免陷入局部最优解极其重要。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-cd8fe1899d8_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&301& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-cd8fe1899d8_r.jpg&&&/figure&&p&最后从学习理论来说，深度学习如何才能不至于过拟合是非常重要的一个问题。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-6d4cf6de3a1d_b.jpg& data-caption=&& data-rawwidth=&584& data-rawheight=&598& class=&origin_image zh-lightbox-thumb& width=&584& data-original=&https://pic4.zhimg.com/v2-6d4cf6de3a1d_r.jpg&&&/figure&&p&总的来说，该课件的前两个是组织者对人工智能发展的总结以及对该课程的介绍。从第三课开始，讲师开始对深度学习的一些概念做详细介绍：从卷积神经网络到生成模型、动态规划&EM 等等。&/p&&p&邀请的客座讲师如下：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-7d220abae7d7df86bf1b6a8ed1f9259b_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&799& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-7d220abae7d7df86bf1b6a8ed1f9259b_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&本文为机器之心编译，转载请联系本公众号获得授权。&/b&&/p&
机器之心整理机器之心编辑部今年 8 月份，机器之心推荐了斯坦福 2017 CS231n 春季课程。近日，斯坦福公开了 STATS 385 秋季课程（还未结课，10.11-12.16)，主题为《深度学习理论》，相关的课件资源也已放出（部分视频公开），希望能为大家寻求课程资源提供…
&figure&&img src=&https://pic3.zhimg.com/v2-0aa7c49fd23e9ddc2efd6e_b.jpg& data-rawwidth=&1431& data-rawheight=&774& class=&origin_image zh-lightbox-thumb& width=&1431& data-original=&https://pic3.zhimg.com/v2-0aa7c49fd23e9ddc2efd6e_r.jpg&&&/figure&&p&&b&为什么要让计算机看见世界？&/b&&/p&&p&&b&让计算机看见世界分几步？又有什么用？&/b&&/p&&p&不用很麻烦很累，点击观看下方视频，&/p&&p&你对人工智能的认知就能轻松超过全世界 99% 的人类！&/p&&a class=&video-box& href=&https://link.zhihu.com/?target=https%3A//www.zhihu.com/video/523520& target=&_blank& data-video-id=&& data-video-playable=&true& data-name=&& data-poster=&https://pic3.zhimg.com/80/v2-d299bb54efede_b.jpg& data-lens-id=&523520&&
&img class=&thumbnail& src=&https://pic3.zhimg.com/80/v2-d299bb54efede_b.jpg&&&span class=&content&&
&span class=&title&&&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://www.zhihu.com/video/523520&/span&
&p&&br&&/p&&p&图文版本，送给不方便打开视频的朋友们(☆w☆)&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-2fb628547_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-2fb628547_r.jpg&&&/figure&&p&计算机视觉是一门研究让机器「看」见世界的科学， &/p&&p&人类能够认出照片中的事物，推理它们之间的关系，&/p&&p&但对于计算机来说，图像只是一连串 RGB 数值 （苹果），没有任何意义。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-cc4a852cc_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-cc4a852cc_r.jpg&&&/figure&&p&让机器看见世界有四个阶段，也是计算机视觉的四个核心问题：&/p&&p&&b&图像分类（image classification）&/b&，即为不同的图片打上对应标签；&/p&&p&&b&物体检测（Object Recognition）&/b&，找到物体的位置，并认出他们是什么；&/p&&p&&b&语义分割（Semantic Segmentation）&/b&，找到物体之间的关系和联系；&/p&&p&&b&视频分析（Video Analysis），&/b&即看懂视频中的内容。&/p&&p&&b&（前两者让计算机「看见」世界，后两者让计算机「看懂」世界。）&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-e3edcfd55ad2af37eacca6d0a523a781_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&378& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-e3edcfd55ad2af37eacca6d0a523a781_r.jpg&&&/figure&&p&让计算机看见世界有什么用？&/p&&p&小到手机拍照中的&b&人脸定位&/b&，银行里的&b&人证比对&/b&；&/p&&p&大到&b&自动驾驶&/b&、&b&医疗影像诊断&/b&，都是计算机视觉的用武之地。&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-7dbda3cd57e_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-7dbda3cd57e_r.jpg&&&/figure&&p&关于计算机视觉就先说这么多，&/p&&p&下期视频内容主题为语音识别，欢迎各位关注！&/p&&p&&br&&/p&&p&「知智一分钟」是由「KnowingAI知智」推出的，以人工智能基础知识为主的短视频栏目。&/p&&p&&b&每次一分钟，轻松了解 AI 领域基础概念！&/b&&/p&&p&&br&&/p&&p&往期回顾：&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&第 0 话：三分钟了解三大学习&/a&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&第 1 话：你说的人工智能是哪种智能？&/a&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&第 2 话：弱人工智能才不是很弱的人工智能！&/a&&/p&&p&「知智一分钟」现已入驻 B 站，欢迎投硬币投香蕉发弹幕吐槽我们！&/p&&p&&br&&/p&&p&&i&版权声明：&/i&&/p&&p&&i&「知智一分钟」视频内容由「KnowingAI知智」出品，未经许可，不得转载、翻录。&/i&&/p&&p&&i&如果你对人工智能行业充满兴趣，并想成为一名内容创作者，欢迎发送邮件至： 。&/i&&/p&
为什么要让计算机看见世界？让计算机看见世界分几步？又有什么用？不用很麻烦很累，点击观看下方视频，你对人工智能的认知就能轻松超过全世界 99% 的人类！ 图文版本，送给不方便打开视频的朋友们(☆w☆) 计算机视觉是一门研究让机器「看」见世界的科学， …
&figure&&img src=&https://pic2.zhimg.com/v2-4fb7a36a24ea847da0c224_b.jpg& data-rawwidth=&1272& data-rawheight=&710& class=&origin_image zh-lightbox-thumb& width=&1272& data-original=&https://pic2.zhimg.com/v2-4fb7a36a24ea847da0c224_r.jpg&&&/figure&&blockquote&夏乙 编译整理&br&量子位 出品 | 公众号 QbitAI&/blockquote&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-aefc51baa71cd8b68ec7cec2_b.jpg& data-rawwidth=&640& data-rawheight=&356& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-aefc51baa71cd8b68ec7cec2_r.jpg&&&/figure&&p&&br&&/p&&p&给吴恩达三块白板和一支马克笔，听他讲一节精彩的课。&/p&&p&刚刚，在O’reilly举办的AI Conference上，吴恩达做了个25分钟的演讲，主题依然是“AI is the new electricity”，但内容可以说是充满诚意非常干货了。&/p&&p&吴恩达老师这节课，主要讲了这四部分内容：&/p&&ul&&li&AI能做什么？各种算法有多大商业价值？&/li&&li&做AI产品要注意什么？&/li&&li&怎样成为真正的AI公司？&/li&&li&给AI领导者的建议&/li&&/ul&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ffe92eb3aabdb08cc48af24d2eef9bda_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-ffe92eb3aabdb08cc48af24d2eef9bda_r.jpg&&&/figure&&p&&br&&/p&&p&&b&△&/b& 现场视频截图，主要看字&/p&&p&量子位看着视频写了一份笔记，将其中的干货摘录如下：&br&&/p&&p&吴恩达的老师的开场白，依然是AI像当年的电力一样，正开始改变所有行业。&/p&&p&要理解AI，就要先进入我们的第一部分：&/p&&h2&AI能做什么？&/h2&&p&目前，AI技术做出的经济贡献几乎都来自&b&监督学习&/b&，也就是学习从A到B，从输入到输出的映射。&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-fef1f3b4cfadc_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-fef1f3b4cfadc_r.jpg&&&/figure&&p&&br&&/p&&p&比如说，输入一张照片，让机器学会判断这张照片是不是你，输出0或1。&/p&&p&现在最赚钱的机器学习应用，应该说是在线广告。在这个例子中，输入是广告和用户信息，输出是用户会不会点击这个广告（还是0或1）。&/p&&p&监督学习还可以应用在消费金融领域，输入贷款申请信息，输出用户是否会还款。&/p&&p&过去几年里，机器学习经历了迅速的发展，越来越擅长学习这类A到B的映射，创造了大规模的经济效益。&/p&&p&同时，AI的进步也体现在监督学习的输出不再限于0或1的数字。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-7e5b269c9a24fb5960ec89_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-7e5b269c9a24fb5960ec89_r.jpg&&&/figure&&p&&br&&/p&&p&比如说语音识别的任务，也是一种端到端的学习，输入音频，输出文本。只要有足够的数据，语音识别就能达到很好的效果。&/p&&p&这类算法为语音搜索、亚马逊Alexa、苹果Siri、百度DuerOS等等提供了基础。&/p&&p&还有输入英语输出法语的机器翻译，输入文本输出音频的TTS（Text to Speech）等等，都是监督学习的应用。&/p&&p&&b&监督学习的缺点是它需要大量的标注数据&/b&，这影响了它的普及。&/p&&p&经常有人问我，为什么神经网络已经存在了这么多年，AI却近年来才开始快速发展？&/p&&p&很多人可能见过我画这张图：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-81eefbb82911daa59c2da42_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-81eefbb82911daa59c2da42_r.jpg&&&/figure&&p&&br&&/p&&p&横轴是数据量，纵轴是算法的性能。&/p&&p&随着数据量的增加，传统机器学习算法的性能并没有明显提升，而神经网络的性能，会有比较明显的提升，神经网络越大，性能的提升就越明显。&/p&&p&为了达到最佳的性能，你需要两样东西：一是大量的数据，二是大型的神经网络。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-9bd057a6d_b.jpg& data-rawwidth=&640& data-rawheight=&356& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-9bd057a6d_r.jpg&&&/figure&&p&&br&&/p&&p&&b&△&/b& 擦干净白板继续讲~&/p&&p&还有一个问题，有很多人问我：机器学习中最大的趋势是什么？算法如何创造价值？&/p&&p&现在来看，创造最多价值的还是监督学习。&/p&&p&如果你问我监督学习之后是什么，我认为&b&迁移学习&/b&现在也开始创造不少经济效益。可能因为这个概念不够性感，所以人们谈论得不多。&/p&&p&比如说你的算法从一个像ImageNet那样的大数据集学到了图像识别，然后用迁移学习，用到医学影像诊断上。&/p&&p&而&b&非监督学习&/b&，我认为是非常好的长期研究项目。它也创造了一些经济价值，特别是在自然语言处理上。&/p&&p&&b&强化学习&/b&也很有意思，我研究了很多年，现在也还在这方面做一些微小的工作。但是我认为，强化学习的舆论热度和经济效益有点不成比例。&/p&&p&强化学习对数据的饥渴程度甚至比监督学习更严重，要为强化学习算法获取到足够的数据非常难。&/p&&p&在打游戏这个领域，强化学习表现很好，这是因为在电子游戏中，算法可以重复玩无限次，获取无限的数据。&/p&&p&在机器人领域，我们也可以建立一个模拟器，相当于能让强化学习agent在其中模拟无人车、人形机器人，重复无限次“游戏”。&/p&&p&&b&除了游戏和机器人领域之外，要把强化学习应用到商业和实践中还有很长的路要走。&/b&&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-169bfc0069ac_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-169bfc0069ac_r.jpg&&&/figure&&p&&br&&/p&&p&现在，监督学习、迁移学习、非监督学习、强化学习这四类算法所创造的经济效益是递减的。&/p&&p&当然，这只是目前的情况。计算机学科不断有新突破，每隔几年就变个天。这四个领域中的任何一个都可能发生突破，几年内这个顺序就可能要重排。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-593c88d79fc9ab2f7653_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-593c88d79fc9ab2f7653_r.jpg&&&/figure&&p&&br&&/p&&p&我注意到的另一件事情是，&b&机器学习依靠结构化数据，比非结构化数据创造了更多的经济效益。&/b&&/p&&p&举个结构化数据的例子，比如说你的数据库记录了用户的交易情况，谁什么时候买了什么东西，谁什么时间给谁发了信息，这就是结构化数据。&/p&&p&而像图像、音频、自然语言等等，就是非结构化数据。&/p&&p&虽然非结构化数据听起来更吸引人，舆论热度更高，但结构化数据的价值在于它通常专属于你的公司，比如说只有你的打车公司才有用户什么时候叫车、等了多长时间这样一个数据集。&/p&&p&所以，不要低估结构化数据结合深度学习所能创造的经济价值。&/p&&p&在前面谈到的几类学习算法中，单是监督学习就已经为公司、创业者创造了大量的经济价值和机会。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-68b5adc0f7_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-68b5adc0f7_r.jpg&&&/figure&&p&&br&&/p&&p&&b&△&/b& 再擦一块白板（×2），继续~&/p&&h2&做AI产品要注意什么？&/h2&&p&有一个很有意思的趋势，是AI的崛起正改变着公司间竞争的基础。&/p&&p&&b&公司的壁垒不再是算法，而是数据。&/b&&/p&&p&当我建立一家新公司，会特地设计一个循环：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-31cfcd914_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-31cfcd914_r.jpg&&&/figure&&p&&br&&/p&&p&先为算法收集足够的数据，这样就能推出产品，然后通过这个产品来获取用户，用户会提供更多的数据……&/p&&p&有了这个循环之后，对手就很难追赶你。&/p&&p&这方面有一个很明显的例子：搜索公司。搜索公司有着大量的数据，显示如果用户搜了这个词，就会倾向于点哪个链接。&/p&&p&我很清楚该如何构建搜索算法，但是如果没有大型搜索公司那样的数据集，简直难以想象一个小团队如何构建一个同样优秀的搜索引擎。这些数据资产就是最好的壁垒。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-30dd24d3ac15b17a4c554b3b1e66e4a4_b.jpg& data-rawwidth=&640& data-rawheight=&356& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-30dd24d3ac15b17a4c554b3b1e66e4a4_r.jpg&&&/figure&&p&&br&&/p&&p&工程师们还需要清楚这一点：&/p&&p&AI的范围，比监督学习广泛得多。我认为人们平时所说的AI，其实包含了好几类工具：比如机器学习、图模型、规划算法、知识表示（知识图谱）。&/p&&p&人们的关注点集中在机器学习和深度学习，很大程度上是因为其他工具的发展速度很平稳。&/p&&p&如果我现在建立一个AI团队，做AI项目，很多时候应该用图模型，有时应该用知识图谱，但是最大的机遇还是在于机器学习，这才是几年来发展最快、出现突破的领域。&/p&&p&接下来我要和大家分享一下我看问题的框架。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ddfb1cf3425ff70ffbd1_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-ddfb1cf3425ff70ffbd1_r.jpg&&&/figure&&p&&br&&/p&&p&计算机，或者说算法是怎样知道该做什么的呢？它有两个知识来源，一是数据，二是人工（human engineering）。&/p&&p&要解决不同的问题，该用的方法也不同。&/p&&p&比如说在线广告，我们有那么多的数据，不需要太多的人工，深度学习算法就能学得很好。&/p&&p&但是在医疗领域，数据量就很少，可能只有几百个样例，这时就需要大量的人工，比如说用图模型来引入人类知识。&/p&&p&也有一些领域，我们有一定数量的数据，但同时也需要人工来做特征工程。&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-32a8e4b5ffdf74e5a8635f_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-32a8e4b5ffdf74e5a8635f_r.jpg&&&/figure&&p&&br&&/p&&p&当然，还要谈一谈工程师如何学习。&/p&&p&很多工程师想要进入AI领域，很多人会去上在线课程，但是有一个学习途径被严重忽视了：读论文，重现其中的研究。&/p&&p&当你读了足够多的论文，实现了足够多的算法，它们都会内化成你的知识和想法。&/p&&p&要培养机器学习工程师，我推荐的流程是：上（deeplearning.ai的）机器学习课程来打基础，然后读论文并复现其中的结果，另外，还要通过参加人工智能的会议来巩固自己的基础。&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-1dbc8ce68c060e8d509c1_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-1dbc8ce68c060e8d509c1_r.jpg&&&/figure&&p&&br&&/p&&p&&b&△&/b& 再擦一块白板（×3）&/p&&h2&怎样成为真正的AI公司？&/h2&&p&我接下来要分享的这个观点，可能是我今天所讲的最重要的一件事。&/p&&p&从大约20年、25年前开始，我们开始看见互联网时代崛起，互联网成为一个重要的东西。&/p&&p&我从那个时代学到了一件重要的事：&/p&&p&&b&商场 + 网站 ≠ 互联网公司&/b&&/p&&p&我认识一家大型零售公司的CIO，有一次CEO对他说：我们在网上卖东西，亚马逊也在网上卖东西，我们是一样的。&/p&&p&不是的。&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-60bd4ddfeac491_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic2.zhimg.com/v2-60bd4ddfeac491_r.jpg&&&/figure&&p&&br&&/p&&p&互联网公司是如何定义的呢？不是看你有没有网站，而是看做不做A/B测试、能不能快速迭代、是否由工程师和产品经理来做决策。&/p&&p&这才是互联网公司的精髓。&/p&&p&现在我们经常听人说“AI公司”。在AI时代，我们同样要知道：&/p&&p&&b&传统科技公司 + 机器学习/神经网络 ≠ AI公司&/b&（全场笑）&/p&&p&公司里有几个人在用神经网络，并不能让你们成为一家AI公司，要有更深层的变化。&/p&&p&20年前，我并不知道A/B测试对互联网公司来说有多重要。现在，我在想AI公司的核心是什么。&/p&&p&我认为，AI公司倾向于&b&策略性地获取数据&/b&。我曾经用过这样一种做法：在一个地区发布产品，为了在另一个地区发布产品而获取数据，这个产品又是为了在下一个地区发布产品来获取数据用的，如此循环。而所有产品加起来，都是为了获取数据驱动一个更大的目标。&/p&&p&像Google和百度这样的大型AI公司，都有着非常复杂的策略，为几年后做好了准备。&/p&&p&第二点是比较战术性的，你可能现在就可以开始施行：AI公司通常有&b&统一的数据仓库&/b&。&/p&&p&很多公司有很多数据仓库，很分散，如果工程师想把这些数据放在一起来做点什么，可能需要和50个不同的人来沟通。&/p&&p&所以我认为建立一个统一的数据仓库，所有的数据都存储在一起是一种很好的策略。&/p&&p&另外，&b&普遍的自动化&/b&和&b&新的职位描述&/b&也是AI公司的重要特征。&/p&&p&比如说在移动互联网时代，产品经理在设计交互App的时候可能会画个线框图：&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b82e56ddfbef2_b.jpg& data-rawwidth=&640& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/v2-b82e56ddfbef2_r.jpg&&&/figure&&p&&br&&/p&&p&然后工程师去实现它，整个流程很容易理清楚。&/p&&p&但是假设在AI时代，我们要做一个聊天机器人，这时候如果产品经理画个线框图说：这是头像，这是聊天气泡，并不能解决问题。&/p&&p&聊天气泡长什么样不重要，我需要知道的是，这个聊天机器人要说什么话。线框图对聊天机器人项目来说没什么用。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-88e4ec41cd_b.jpg& data-rawwidth=&640& data-rawheight=&357& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-88e4ec41cd_r.jpg&&&/figure&&p&&br&&/p&&p&如果一个产品经理画了个无人车的线框图，说“我们要做个这个”，更是没什么用。（全场笑）&/p&&p&在AI公司里，产品经理在和工程师沟通的时候，需要学会运用数据，要求精确的反馈。&/p&&h2&给AI领导者的建议&/h2&&p&时间好像不够了，给高管的建议嘛，欢迎阅读我给《哈佛商业评论》写的文章&/p&&p&&b&互动时间&/b&&/p&&p&如果你对吴恩达最后提到的那篇文章感兴趣，可以在量子位微信公众号（QbitAI）对话界面，回复：“&b&hbr&/b&”三个字母，即可获得地址。&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a&&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
夏乙 编译整理 量子位 出品 | 公众号 QbitAI 给吴恩达三块白板和一支马克笔，听他讲一节精彩的课。刚刚，在O’reilly举办的AI Conference上，吴恩达做了个25分钟的演讲，主题依然是“AI is the new electricity”，但内容可以说是充满诚意非常干货了。吴恩…
好东西不敢独享，转载一发。&br&&br&正在学习林轩田的机器学习基石和吴恩达的机器学习，感觉讲的还不错，数学基础还是蛮重要的。&br&&br&&blockquote&&p&&a href=&//link.zhihu.com/?target=http%3A//ml.memect.com/article/machine-learning-guide.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习入门资源不完全汇总&/a&&/p&&p&感谢贡献者： tang_Kaka_back@新浪微博&/p&&p&欢迎补充指正，转载请保留原作者和原文链接。 本文是 &a href=&//link.zhihu.com/?target=http%3A//ml.memect.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习日报&/a&的一个专题合集，欢迎订阅：请给&a href=&mailto:?subject=%E8%AE%A2%E9%98%85%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%97%A5%E6%8A%A5%20from%20guide&&&/a&发邮件，标题＂订阅机器学习日报＂。&/p&&a class=& wrap external& href=&//link.zhihu.com/?target=http%3A//ml.memect.com/article/machine-learning-guide.html%23%25E5%259F%25BA%25E6%259C%25AC%25E6%25A6%%25BF%25B5& target=&_blank& rel=&nofollow noreferrer&&机器学习入门资源不完全汇总&/a&基本概念&p&&a href=&//link.zhihu.com/?target=http%3A//zh.wikipedia.org/zh/%25E6%259C%25BA%25E5%%25E5%25AD%25A6%25E4%25B9%25A0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习&/a& 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理