很多时候我们需要判断信号的方向，例如定位违章鸣笛的车辆或用雷达探测目标轨迹等。一般来说，我们的接收器只是接收信号的强弱，无法直接判断方向。为了判断方向，需要有更多信息。对我们人来说，我们利用了空间和频率两种信息：首先，我们有两个耳朵，不同方向的声源到达我们双耳的时间和压强都有所不同，基于此可以判断声
语音助手已经进驻到我们的手机里，只要你想，随时可以把它呼唤出来，聊聊天。 当然，也可以让它帮我们做点正事，比如设个闹钟，拨个电话什么的。但也有很多时候，我们得到的回答是“听不懂主人在说什么”或“主人，麻烦你换个说法好吗？”。问题是，我明明已经表达的很清楚了，机器为什么听不懂呢？ 事实上，现在的语音助
聚类，顾名思义，把数据样本分堆儿，相似的样本聚在一起，成为一堆儿，如图1所示。 图1：聚类任务将相似的样本聚在一起[1] 聚类是机器学习里的一项基本任务。那么，聚类有什么用处呢？ 1. 人头脑里的聚类 我们先看看人头脑里的聚类。比如我们的祖先在打猎时，看到老虎和羚羊，虽然还不知道他们的名字，但从体形
什么是流形呢？让我们看图1（左）所示的一个数据分布，可以看到虽然数据是三维的，但所有数据都分布在一个蛋卷形的二维曲面上。这个曲面称为一个二维流形。对于分布在这个流形上的数据来说，重要的不是它在三维空间中的座标，而是在这个二维流形上的位置。因此，给定一个三维数据集，我们希望把这个二维流形学习出来，并确
让计算机像人一样拥有创新能力，是一个很大胆的想法。事实上，人们一直认为创新是人类智能的顶点，如果机器也拥有了这种能力，那是多么可怕的事情。 图1：计算创新学[4] 然而，科学家们还是迎难而上了。早在1963年，人工智能的先驱Newell, Shaw和Simon就写了一篇文章“The Process
2016年，英国伦敦大学的科学家研制出一款人工智能程序，它能处理法律文件并对案件作出判决。科学家将600件欧洲人权法院诉讼案的案情资料输入这款软件中进行学习，交叉测试的结果显示其判案结果和人工判案结果的一致率达79%[1,2]。那么，AI真的能代替法官判案吗？ 我们先看看AI判案的技术可行性。在前面
我们先看一部小说片段。 《机器人写小说的那一天》（节选） 作者：有岭雷太 那一天，乌云低垂，天阴沉沉的。 屋子里，保持着跟往常一样最适宜的温度和湿度。洋子懒洋洋地坐在沙发上，玩着无聊的游戏打发时间。但是，她没有和我说话。 无聊啊！无聊，无聊，但是我没有办法。 在我刚来到这间屋子的时候，洋子总会找些话
我们头顶的天空已经被观测了几千年。最初人们肉眼观察星星，望远镜出现后，人类的视野越来越广阔。为了得到更清晰的观测，人们甚至把望远镜送入了太空，可以看到100万光年以外的星星。 为了探索更深远的宇宙，现代望远镜越来越庞大复杂。以射电望远镜为例，为了提高空间解析度和信号敏感性，望远镜的天线越来越大，甚至
从塞缪尔的西洋棋开始，游戏就是机器学习里的研究热点，不仅是因为游戏的对战性可以直接体现出机器的智能，而且打游戏的技巧确实是可以学出来的，很适合用机器学习方法来解决。然而，在2016年以前，可能没有人会想到机器玩起游戏来竟如此强大，不仅可以在简单游戏中战胜人类业余选手，还可以在极为复杂的任务中战胜人类
前段时间（2021/04/05），自然-机器智能杂志发表了一篇有趣的论文，介绍了利用深度学习重构物质三维结构的工作[1]。 我们知道物质的性质是由其微观结构决定的，不同的工艺可能得到不同的微观结构，从而得到具有不同性质的物质。一个重要的问题是，大部分物质的微观结构是三维的，但我们容易观察到的只是二维
支持向量机（Support Vector Machine, SVM）是一个非常特立独行的存在，它和符号学派不沾边，既不属于贝叶斯学派，也不属于连接学派，基本的假设就是样本离哪个类近，就属于哪个类。尽管假设如此简单，SVM却是机器学习中应用最广泛的分类器，在绝大多数任务中表现出优异的性能。 事实上，很
