神经网络

在过去的十年中，深度学习在解决许多以前被认为无法解决的问题方面发挥了重要作用，并且在某些任务上的准确性也与人类水平相当甚至超过了人类水平。

在过去的 10 年里，性能最好的人工智能系统都是由一种称为「深度学习」的技术产生的。

神经网络是机器学习的一个迷人的领域，但是它们有时很难优化和解释。事实上，它们有几个超参数。要优化的最常见的超参数是隐藏层中的神经元数量。让我们看看如何为我们的数据集找到一个神经网络的最佳神经元数量。

NLP研究人员都知道语言模型只能学到语法上下文信息，对于常识性问题则束手无措。南加州大学的一名助理教授最近做客《对话》，阐述了他眼中的常识以及解决方法。他悲观地预测，也许5年、50年才能解决，到底需要多久，没人知道。

在本文中，我们将讨论简单神经网络背后的数学概念。其主要目的是说明在建立我们自己的人工智能模型时，数学是如何发挥巨大作用的。

过去二十多年来，深度学习需要越来越多的乘法累加运算，计算机的性能也基本遵循摩尔定律大幅增长。然而，随着半导体工艺发展到临近极限，摩尔定律已经失去动力，继续保持成长趋势是一个极大的挑战。

近日，研究人员在一篇题为“EvilModel: Hiding Malware Inside of Neural Network Models”的学术论文中证明了如何在不影响神经网络性能的前提下将恶意软件通过神经网络来进行传输，以绕过对恶意软件的检测。

在本文中，我们将了解为什么图数据是必不可少的，以及如何用图形神经网络处理它们，我们将看到它们如何用于药物重新定位。

尽管深度神经网络在某些任务上取得了跟人类相当或超过人类的表现，但计算机在人类特有的“想象力”技能方面仍在做着苦苦的挣扎。

你可能听说过图卷积，因为它在当时是一个非常热门的话题。虽然不太为人所知，但网络传播是计算生物学中用于网络学习的主要方法。在这篇文章中，我们将深入研究网络传播背后的理论和直觉，我们也将看到网络传播是图卷积的一种特殊情况。