机器学习

机器学习

自适应和智能计算领域的领导企业赛灵思公司(Xilinx)将出席本周于上海·西岸艺术中心举行的为期4天的 2018 世界人工智能大会。赛灵思公司全球副总裁兼首席技术官 Ivo Bolsens 将在会中做“面向机器学习领域的特定计算架构” 的主题演讲。同时,来自深鉴科技(现属赛灵思公司)联合创始人兼CEO,姚颂也将给与会者带来“深度学习算法加速器的演进” 的主题演讲。

本次大会以“人工智能赋能新时代”为主题,以“国际化、高端化、专业化、市场化”为特色,将集聚全球人工智能领域最具影响力的科学家和企业家,以及相关政府的领导人,围绕人工智能领域的技术前沿、产业趋势和热点问题发表演讲和进行高端对话,打造世界顶尖的人工智能合作交流平台。最权威的观点和共识将在此发声,最前沿的新技术、新产品、新应用、新理念将在此得到集中展示,为应对人类发展面临的共同难题、创造人类美好生活汇聚“中国方案”和“世界智慧”。

9月19日亮点推荐

分论坛一:创芯引领时代,智能改变未来

在人工智能时代,如何把握时代机遇,打造更高性能、更低能耗的智能芯片,从而更好地推动人工智能技术不断发展,更好地推动人工智能行业改善人类的劳动生产力与生存空间,是芯片行业面临的挑战。

【视频】Python 助力边缘分析与机器学习

本视频介绍 PYNQ 框架如何帮助软件工程师和数据科学家轻松获得工业设备的有价值的片上实时见解。

赛灵思一直是业界主要的 ADAS 传感器方案供应商之一。比如,在前置摄像头方面我们拥有超过 38% 的市场份额。ADAS 系统正在不断的发展和进化,随着 NCAP 等政策法规和标准的推动之下,汽车正从辅助驾驶向自动驾驶过渡,这一趋势就要求更好的相机分辨率、更低的 LiDAR 成本以及响应更迅速,计算能力更强大的信号处理芯片。另外,机器学习以及 AI 的发展将大大加速自动驾驶技术的成熟。赛灵思的 FPGA/SoC 在数据预处理、路径规划、传感器融合和计算加速方面有着得天独厚的优势,因此,基于赛灵思的技术将能帮助机器学习及 AI 更快地部署在汽车应用中,成为构建安全自动驾驶汽车的重要组成部分。

在本次直播课程当中,我们将向您详细讲解及演示基于赛灵思的加速方案是如何帮助客户实现从传统 ADAS 方案演变为更多基于机器学习和 AI 的自动驾驶的。

机器学习中的常见问题——几种梯度下降法

一、梯度下降法
在机器学习算法中,对于很多监督学习模型,需要对原始的模型构建损失函数l,接下来便是通过优化算法对损失函数l进行优化,以便寻找到最优的参数θ。在求解机器学习参数θ的优化算法中,使用较多的是基于梯度下降的优化算法(Gradient Descent, GD)。

梯度下降法有很多优点,其中,在梯度下降法的求解过程中,只需求解损失函数的一阶导数,计算的代价比较小,这使得梯度下降法能在很多大规模数据集上得到应用。梯度下降法的含义是通过当前点的梯度方向寻找到新的迭代点。

二、梯度下降法的集中变形形式
在具体使用梯度下降法的过程中,主要有以下几种不同的变种,即:batch、mini-batch、SGD和online。其主要区别是不同的变形在训练数据的选择上。

1、batch gradient descent
批梯度下降法(Batch Gradient Descent)针对的是整个数据集,通过对所有的样本的计算来求解梯度的方向。

批梯度下降法的损失函数为:

【视频】端至云的视频分析

视频演示 Xilinx 如何通过机器学习来加速实时高清视频应用的开发和部署。使用行业标准框架 FFmpeg 和 YOLO 展示单个系统中的视频处理与机器学习。

在加州圣克拉拉举行的嵌入式视觉峰会上,赛灵思 ML 套件 获得了最佳云技术 2018 年度视觉产品大奖,我们对此深感荣幸。

传统的数据中心处理器已无法跟上当今云端运行的诸如机器学习、基因组学、视频转码等计算密集型工作负载的发展要求。ML 套件利用独特且灵活应变的赛灵思技术为机器学习推断性能带来了显著提升。

赛灵思 ML 套件可以帮助开发人员将加速机器学习 (ML) 推断功能轻松集成到他们的当前应用中。赛灵思 ML 套件的独到创新之处在于:相对于基于 CPU 的基础设施而言,ML 推断的云端用户能便捷地大幅提升性能并节约成本,而且无需定制开发。

在美国和欧洲的众多地区,赛灵思 ML 套件已用于 Amazon EC2 F1 等大型云端平台部署。它可支持 Caffe、MxNet、Tensorflow、Python 和 RESTful API 等广受欢迎的机器学习框架。采用 ML 套件的应用同时支持云端与本地部署环境。

赛灵思 ML 套件为现实应用提供了低时延、高吞吐量以及低功耗的机器学习推断。

机器学习几种常见模型的介绍

这里我主要介绍以下几种模型:
1. k近邻法
2. 朴素贝叶斯法
3. 决策树
4. 逻辑斯蒂回归
5. 支持向量机
6. adaBoost方法

K近邻法
原理
输入:实例的特征向量
输出:实例的类别
算法描述:
(1)在训练集中找出与实例最近邻的k个点,涵盖这k个点的邻域记做Nk(x)
(2)在Nk(x)中根据分类决策规则决定x的类别

优缺点
优点:精度高,对异常值不敏感,无数据输入假定
缺点:计算复杂度高,空间复杂度高

适用场景
一般适用于数值型数据和标称型数据

决定要素
距离度量、k值选择、分类决策规则,是k近邻的三大要素,它不具有显示学习的过程。

参考文献
1.Cover T,Hart P.Nearest neighbor pattern classification.IEEE Transaction on information Theory 1967

朴素贝叶斯方法
原理
朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。
输入:随机向量X
输出:类标记Y

从 Stack Overflow 2018 调查报告看机器学习发展趋势

Stack Overflow 的数据科学家 Julia Silge 通过对数据进行深入研究,分析处理了 2018 年最受欢迎的机器学习技术及其趋势。本次调查报告整理了超过10万名受访者的回答记录,并发现,软件开发中的机器学习是一个很重要的趋势。 但关键的工具和技术有哪些呢,我们一起来看看:

受欢迎的框架

今年,TensorFlow 超过 React 和 Node.js,成为最流行的 Web 框架,这是一个由 Google 在 2015 年作为开源发布的机器学习库。 去年的调查中并未提及 TensorFlow,因为那时它刚刚开始普及。然而 TensorFlow 发展非常快,在堆栈溢出问题上,它呈现出有史以来最高的同比增长率之一。

TensorFlow 通常用于深度学习,它流行度的上升也是机器学习工具兴起的最好证明。

技术关联

你不应该忽略的五个机器学习项目一览

摘要: 本文介绍5个新的机器学习项目,这些项目你可能还没有听说过,但确实对项目开发有所帮助,感兴趣的读者可以动手实践一下。

随着人工智能和深度学习的兴起,网络上存在的学习资源以及开源项目也越来越多。本文精选了的五个项目,都含有潜在新的机器学习想法,且全都是用Python实现。下面简单介绍下这五个项目,感兴趣的可以自己上手复现一下,说不定会对自己的项目产生一些新的想法。

1.实时损失曲线图(Live Loss Plot)

机器学习者都应该知道的五种损失函数!

在机器学习中,所有的机器学习算法都或多或少的依赖于对目标函数最大化或者最小化的过程,我们常常把最小化的函数称为损失函数,它主要用于衡量机器学习模型的预测能力。在寻找最小值的过程中,我们最常用的方法是梯度下降法。

虽然损失函数可以让我们看到模型的优劣,并且为我们提供了优化的方向,但是我们必须知道没有任何一种损失函数适用于所有的模型。损失函数的选取依赖于参数的数量、异常值、机器学习算法、梯度下降的效率、导数求取的难易和预测的置信度等若干方面。这篇文章将介绍各种不同的损失函数,并帮助我们理解每种损失函数的优劣和适用范围。

由于机器学习的任务不同,损失函数一般分为分类和回归两类,回归会预测给出一个数值结果而分类则会给出一个标签。这篇文章主要集中于回归损失函数的分析。本文中所有的代码和图片都可以在这个地方找到!

同步内容