人在学习做一件事情的时候，首先想到的是尽量借鉴既有的经验和方法，这样我们可以学的更快更好。这一思路对于计算机也是一样的，把以前学习过的模型、流程、方案拿过来，想办法迁移到新任务上，这一学习方法就是迁移学习。 图1：迁移学习示意图 迁移学习的基础假设是不同学习任务之间不是独立的，因此，如何分辨花草的知
现实生活中会经常遇到序列数据，比如语音是声音振动的序列，自然语言的一句话是单词的序列等等。在这样的序列数据中，前后数据单元之间的关系至关重要，例如“打开”后面可能会接“盒子”，但不会接“太阳”。为了描述这种序列上的相关性，人们提出了循环神经网络（Recurrent Neural Net, RNN）模
2016年6月，Google宣布了Magenta项目[8]，目的是联合艺术家和计算机学家，推动人工智能在艺术创作上的研究和应用，其中AI谱曲是重要任务之一。 图1：计算机谱曲[7] 所谓AI谱曲，就是利用AI技术自动生成乐谱。“自动生成乐谱”这个看起来很“潮”的Idea其实早在计算机诞生之前就了，当
机器智能来源有两类：一类是人类专家把自己掌握的知识教给机器，机器用这些知识进行推理，实现类似人的智能；另一类是把数据喂给机器，让他像人一样从中归纳总结出知识，再利用这些知识进行推理。早期的人工智能系统多采用第一种方案，现代人工智能系统多采用第二种方案。特别是深度学习发展起来后，数据的重要性越来越明显
机器学习里的基础学习方式有两种：监督学习和无监督学习。从名字就可以看出来，监督学习是有指导的学习，就象小孩在学校里听课，在老师的指导进行学习。相对的，无监督学习是没有指导的学习，类似小孩即使没有听老师讲课，也能通过自己学习和观察获得大量知识。 图1：监督学习与非监督学习[3] 一般来说，监督学习多用
人类的情感是很玄妙的东西。早在两千年前，亚里士多德就意识到情感在社会交流中的作用。比如，他认为一个在合适场合能有点儿脾气的人值得敬重，没脾气的反而是傻瓜。换句话说，情感本身就是一种智能。Rosalind Picard的《Affective Computing》一书是情感计算的起点。Picard认为，
诗词是中华民族的文化瑰宝。不论是“长风破浪会有时，直挂云帆济沧海”的豪迈，还是“月上柳梢头，人约黄昏后”的婉约，不论是“衣带渐宽终不悔，为伊消得人憔悴”的刻骨深情，还是“肝胆洞，毛发耸，立谈中，死生同，一诺千金重”的男儿义气，诗词伴随着中华文明走过了五千年的风雨历程。 诗词为什么有如此强大的精神感染
随着深度学习的发展，机器已经可以生成具有大师风格的绘画作品。图1是德国图宾根大学的Gatys等人利用卷积神经网络合成的具有独特风格的图片，其中左上角是原图片（图宾根小城），余下三幅为将原图转换成不同风格后的生成结果。在每幅作品中，左下角的小图为提供风格的三幅名画，作者分别为约瑟夫·特纳、文森特·梵高
贝叶斯公式在机器学习中占有重要地位，是基于概率的推理方法的基础。例如：如果某个地方发生地震的可能性表示为一个概率P(地震) ，而发生地震时井水发混的可能性表示为概率P(井水发混|地震) 。那么，如果有一天发现井水变混了，有多大的可能性会发生地震呢？贝叶斯公式就是用来计算这个可能性的，记为概率P(地震
机器能理解人类的语言吗？很难。 人工智能的创始人图灵在设计图灵测试时给出的智能标准即是对语言的理解和运用。他认为，如果一个人和计算机进行语言交流，如果无法判断出对方是人还是机器，那就说明机器拥有了足够的智能。可见语言在代表人类智能方面处于非常重要的地位。 1. 语言理解为什么如此困难 为什么
卷积神经网络是深度学习系统的重要组成部分，在图象识别、人脸识别、汉字识别，以及自然语言处理中，有很广泛的应用。那么，什么是卷积神经网络呢？ 我们先来看看什么是卷积。 图1. 卷积示意图 上图是一个卷积示意图。输入是一个5*5的矩阵，中间是一个3*3的卷积核，输出是一个3*3的矩阵。首先设置一个与卷积
对于计算机而言，汉字的输入远不象英文那么方便。为了让计算机“接受”汉字，人们设计了各种输入法，其中拼音输入法最自然，应用也最广泛。 早期的拼音输入法是逐字输入的，即用户输入拼音，计算机提示该拼音对应的汉字，用户再从中进行选择。由于汉语中一个拼音可能对应大量汉字，人们不得不在一个长长的列表中进行选择，
