1 月 16 日，百度表示，正在开发全球最准确的计算机视觉系统 Deep Image。这一系统运行在针对深度学习算法优化的超级计算机之上。 百度称，在 Imange Net 对象识别评分中，这一系统的错误率仅为

深度学习是近年机器学习领域的重大突破，有着广泛的应用前景。随着Google公开Google Brain计划，业界对深度学习的热情高涨。腾讯在深度学习领域持续投入，获得了实际落地的产出。我们准备了四篇文章，阐述深度学习的原理和在腾讯的实

Yoshua Bengio在机器学习领域非常有名。他有很多称号，包括蒙特利尔大学计算机科学与操作研究部全职教授、机器学习实验室主任、CIFAR神经计算与自适应感知项目联合主任、统计学习算法加拿大研究主席等等。

2016 年的技术趋势，尤其是关于深度学习方面。新智元在 2015 年底发过一篇文章《深度学习会让机器学习工程师失业吗？》，引起很大的反响。的确，过去一年的时间里，深度学习正在改变越来越多的人工智能领域。Google

虑图片多尺度检测的情况。 第二种方法，在第一种方法的基础之上，采用了动态规划的思想，避免了重复计算问题。对于CNN来说，直到第一个全连接层之前，它的输入图片大小是可以不固定的，但是有了全连接层之后

入层里的“输入单元”只负责传输数据，不做计算。输出层里的“输出单元”则需要对前面一层的输入进行计算。 我们把需要计算的层次称之为“计算层”，并把拥有一个计算层的网络称之为“单层神经网络”。有一些文

如果你不是数学系的，就不要看这个了。 因为以下内容全都在证明机器学习的方法是有效的，你可以用机器学习来得到你想要的结果。然而对于编程或者使用这个方法的人来说，你只要放心大胆地用就行了。就像你知

摘要： 深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结 构使其具备强大的特征表达能力和对复杂任务建模能

Deep Learning（深度学习）学习笔记整理 目录 Deep Learning（深度学习）学习笔记整理系列 1 一、概述 1 二、背景 4 三、人脑视觉机理 7 四、关于特征 11 五、Deep

《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning

深度学习架构- NiN 网络中的网络（NiN，参见论文：Network In Network）的思路简单又伟大：使用 1×1 卷积为卷积层的特征提供更组合性的能力。 NiN 架构在各个卷积之后使用空间

百度余凯团队最新力作《 基于深度学习的图像识别进展百度的若干实践 》，作者：都大龙、余轶南、罗恒 ,其他作者：张健、黄畅、徐伟、余凯。《中国计算机学会通讯》，第11卷第4期，2015年4月。 本文

所以只需简略看看即可。以下是正文： 卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。但卷积为什么如此强大？它的原理是什么？在这篇博客中

包括：免费电子书、课程、视频、讲义、论文、站点、框架等等

Stacked CNN简单介绍 中 有大概介绍过CNN的使用，不过那是有个前提的：CNN中的参数必须已提前学习好。而本文的主要目的是介绍CNN参数在使用bp算法时该怎么训练，毕竟 CNN中有卷积层和下采样层，

“当我每次解雇一名语言学家的时候，那么语音识别的性能就在上升”。 ——IBM的Frederick Jelinek 如果说语言学家代指机器学习和固定的模型结构，那么深度学习意味着专家整体性能的提高。

深度学习架构-LeNet Yann LeCun开发的LeNet所用的卷积神经网络 基于LeNet的手写数字分类系统在商业上取得极大成功，网络上有LeNet5的在线演示，对于各种复杂的手写数字都能够准确识别。

深度学习架构- AlexNet Geoffrey Hinton的ILSVRC2013竞赛所用的卷积神经网络 基于该网络的图像分类算法取得ImageNet ILSVRC2013的第一名，分类结果得到极

net/article/2015-07-13/2825190 现在深度学习在许多监督式机器学习的任务中扮演着领头羊的角色。也可以这样认为，在近几十年中，深度学习已经产生了最实用的非监督式机器学习算法。兴奋之 余，这也引发了一系列的

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易