学习SVM（一） SVM模型训练与分类的OpenCV实现 学习SVM（二） 如何理解支持向量机的最大分类间隔 学习SVM（三）理解SVM中的对偶问题 学习SVM（四） 理解SVM中的支持向量（Support Vector） 学习SVM（五）理解线性SVM的松弛因子Andrew Ng 在斯坦福大学的机器学习公开课上这样评价支持向量机： support vector machines is the s

神经网络SDKhttps://developer.qualcomm.com/software/snapdragon-neural-processing-engine视觉SDK(包括手势识别,人脸检测跟踪和识别,文本识别和跟踪,增强现实)gesture recognitionface detection, tracking, and recognitionte

Dropout浅层理解与实现原文地址：http://blog.csdn.net/hjimce/article/details/50413257作者：hjimce一、相关工作    本来今天是要搞《Maxout Networks》和《Network In Network》的，结果发现maxout和dropout有点类似，所以就对dropout做一下相关的总结，了解一下

WildML– AI, Deep Learning, NLPhttp://colah.github.io/AndrejKarpathy blog这三黄金博客，看完了就可以，而且博文里提到的链接也要看看，墙裂推荐CS231nConvolutional Neural Networks for Visual Recognition，知乎站内有中文翻译，再配合ke

全球人工智能文章来源：arxiv、Github 编译：马卓奇文章投稿：news@top25.cn　　论文摘要：A-Fast-RCNN模型通过用对抗网络生成具有遮挡和变形的样本，并用其训练检测网络，从而使得网络能够对样本的遮挡和变形问题更加的鲁棒。　　如何学习一个具有变形和遮挡不变形的目标检测器？目前的方法是使用数据驱动的方法来收集大规模的数据集，然后其中会含有不同条

这学期的一门机器学习课程中突发奇想，既然卷积神经网络可以识别一副图片，解决分类问题，那如果用神经网络去控制‘自动驾驶’，在一个虚拟的环境中不停的给网络输入车周围环境的图片，让它去选择前后左右中的一个操作，并给予适当的反馈，是否能够把‘驾驶问题’，转化为分类的问题，用神经网络解决呢。和经典的强化学习 Reinforcement Learning 最大的区别是，它将直接处理像素级的超高维度raw

2013年以来Deep mind团队相继在NIPS和Natures上发表了用深度增强（强化）学习玩Atari游戏，并取得良好的效果，随后Alpha go与李世乭的一战更使得深度增强学习家喻户晓。在游戏上取得了不错的成果后，深度增强学习也逐渐被引入NLP领域。本期介绍目前NLP领域较为热点的研究方向，基于强化学习的文本生成技术（NLG），共选择了三篇文章，分别为：1.             《

版权声明：本文为博主原创文章，未经博主允许不得转载。目录(?)[+]摘要揭开深度学习的面纱一览深度学习为什么选择FPGA在FPGA上运行LSTM神经网络LSTM简介设计FPGA模块结果分析未来展望这是上学期我上的一门集成电路原理的课程调研报告, 写的还算可以, 最后还被老师选中上去presentation（

最新人工智能论文：http://paperreading.club说到这些参数就会想到Stochastic Gradient Descent (SGD)！其实这些参数在caffe.proto中 对caffe网络中出现的各项参数做了详细的解释。Learning Rate学习率决定了权值更新的速度，设置得太大会使结果超过最优值，太小会使下降速度过慢。仅靠人为干预调整参数需要不断修改学习率，...

人体检测开发者将本Application部署至Atlas 200 DK或者AI加速云服务器上实现对本地mp4文件或者RTSP视频流进行解码，对视频帧中的行人和人脸进行检测并对其属性进行预测，生成结构化信息发送至Server端进行保存、展示的功能。前提条件部署此Sample前，需要准备好以下环境：已完成Mind Studio的安装。已完成Atlas 200 DK开发者板与Mind...