谁会成为AI 和大数据时代的第一开发语言?这本已是一个不需要争论的问题。如果说三年前,Matlab、Scala、R、Java 和 Python还各有机会,局面尚且不清楚,那么三年之后,趋势已经非常明确了,特别是前两天 Facebook 开源了 PyTorch 之后,Python 作为 AI 时代头牌语言的位置基本确立,未来的悬念仅仅是谁能坐稳第二把交椅。
深度学习未必就是未来的一定主流,至少一些大牛是这么认为的。传统的机器学习有如下特点,知识系统化,有相对经典的书。其中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中使用非常多的技术。
随着人工智能(AI)技术对各行各业有越来越深入的影响,我们也更多地在新闻或报告中听到“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇,对于非专业人士来说略为玄幻。这篇文章为读者梳理了包括这些在内的 12 个关键词,希望帮助读者更清晰地理解,这项人工智能技术的内涵和潜能。
过去,程序员就像是上帝,制定计算机系统运行的律法。随着机器学习的兴起,计算机正在脱离人们的控制。工程师们永远也无法确切搞清楚计算机是如何通过机器学习完成任务的。神经网络和人们的大脑一样,像个“黑箱”,难以捉摸,这些“黑箱”正在日益接管我们的数字生活。编程将变得不再重要,未来,我们将不再关注行为背后的底层代码,而是专注于行为本身,我们要学着像巴甫洛夫训练狗的条件反射一样训练计算机。
这年头,机器人程序(bot)是新的应用程序,机器人程序商店就是新的应用程序商店。结合人工智能,机器人程序变得功能日益强大,而且在学习新的本领。我在本文中将介绍如何使用IBM Watson API,用短短50行代码,编写出一个Telegram语音转换成文本的机器人程序。
这里收集的是关于人工智能(AI)的教程、书籍、视频演讲和论文。
【译论】杰出程序员的秘诀
【译论】如何询问用户的痛点?
【外评】为什么 Windows 真的使用反斜杠作为路径分隔符?
【译文】别再装得像你很有名
【译论】是 .net 遥遥领先,还是我有幻觉?
【译文】苹果 CURL 安全事件 12604 号
【译论】有人使用过将代码转换成思维导图/流程图的工具吗?
【译论】各种拖延症的建议对你有帮助吗?
【译论】如今,是否有充分的理由在新项目中使用 C++ 而非 Rust ?
在版本控制方面,我们能做得比 Git 更好吗?