- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
如何创造可信的AI，这里有马库斯的11条建议
盖瑞·马库斯指出，只有建立一个全新的航道，才可能达到“可信的AI”这一目标。马库斯系统性地阐述了对当前AI研究界的批判，从认识科学领域中针对性地给出了11条可执行的建议。 如果我们知道劳拉·英格斯·怀德是查尔斯·英格斯和卡罗琳·英格斯的女儿，还发现玛丽·英格斯也是他们的女儿，那么我们就可以推断，玛丽和劳拉是姐妹，我们也可以推断:玛丽和劳拉很可能非常熟识，因为绝大多数人都和他们的兄弟姐妹一起生活过
72140发布于 2020-06-09 - 来自专栏又见苍岚
马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示点与一个分布之间的距离。 与欧氏距离不同的是，它考虑到各种特性之间的联系，本文介绍马氏距离相关内容。 马氏距离 度量样本距离某个分布的距离，先将样本与分布标准化到多维标准正态分布后度量欧式距离 思想 将变量按照主成分进行旋转，消除维度间的相关性 对向量和分布进行标准化，让各个维度同为标准正态分布 推导 分布由n个m维向量刻画，即共n条数据，每条数据由一个m维向量表示： image.png X的均值为{\mu _X} X的协方差矩阵为: \sum\nolimits_X = \frac{1 ://baike.baidu.com/item/马氏距离/8927833?
3.9K21编辑于 2022-08-05 - 来自专栏毛利学Python
马科维茨投资组合
https://blog.csdn.net/weixin_44510615/article/details/90377275 马科维茨投资组合 美国经济学家马科维茨(Markowitz)1952年首次提出投资组合理论 在发达的证券市场中，马科维茨投资组合理论早已在实践中被证明是行之有效的，并且被广泛应用于组合选择和资产配置。但是，我国的证券理论界和实务界对于该理论是否适合于我国股票市场一直存有较大争议。 因此把上述优化投资组合在以波动率为横坐标，收益率为纵坐标的二维平面中描绘出来，形成一条曲线。这条曲线上有一个点，其波动率最低，称之为最小方差点（英文缩写是MVP）。 这条曲线在最小方差点以上的部分就是著名的（马考维茨）投资组合有效边界，对应的投资组合称为有效投资组合。投资组合有效边界一条单调递增的凸曲线。 在波动率－收益率二维平面上，任意一个投资组合要么落在有效边界上，要么处于有效边界之下。因此，有效边界包含了全部（帕雷托）最优投资组合，理性投资者只需在有效边界上选择投资组合。 回报率计算 ?
1.3K30发布于 2019-10-30 - 来自专栏深度学习之tensorflow实战篇
朴素贝叶斯法 2016年11月11日
朴素贝叶斯法大概是最简单的一种挖掘算法了，《统计学习方法》在第四章做了很详细的叙述，无非是对于输入特征x，利用通过学习得到的模型计算后验概率分布，将后验概率最大的分类作为输出。
65640发布于 2018-03-16 - 来自专栏量子位
“众矢之的”马库斯回应14个问题，将深度学习质疑到底
安妮 维金 李杉 编译自 Medium 量子位 出品 | 公众号 QbitAI 深度学习的质疑者中有位战士。 △ Gary Marcus 他是马库斯（Gary Marcus），纽约大学心理学教授，曾任Uber AI实验室的负责人。 深度学习圈大面积的“炼丹师”已经坐不住了，赞同和怒怼交织涌向马库斯。 马库斯败阵而归？Naive了。昨天，马库斯再发长文，他收集了14个被质疑的观点并实力回怼。 无监督学习适用于何处？ 马库斯说深度学习没用，但这在很多方面都表现优异 当然有用。 11. 马库斯没引用X。 绝对正确。我所做的文献综述不够完整。
985100发布于 2018-03-22 - 来自专栏HarmonyOS NEXT 端云一体
《仿盒马》app开发技术分享-- 商品规格弹窗（11）
maxLoopAmount": 10, "loopAmount": 10, "coupon": 10.5 }, { "id": 60, "spec_id": 11 maxLoopAmount": 20, "loopAmount": 20, "coupon": 20.5 }, { "id": 70, "spec_id": 11 maxLoopAmount": 10, "loopAmount": 10, "coupon": 10.5 }, { "id": 80, "spec_id": 11 maxLoopAmount": 20, "loopAmount": 20, "coupon": 20.5 },{ "id": 90, "spec_id": 11
28500编辑于 2025-06-23 - 来自专栏新智元
马库斯锐评GPT-5！急需新范式，OpenAI并无优势
编辑：拉燕 【新智元导读】马库斯最新点评GPT-5,OpenAI并没有多少优势。如果GPT-5需要新的范式，大家会回到同一水平线上。 有关GPT-5的消息最近又火起来了。
50630编辑于 2023-10-28 - 来自专栏量子位
马库斯：DeepMind新出的机器心智网络不错，但有误导性
这是马库斯昨天在Medium上对DeepMind新文章给出的评价。 一个月以前，马库斯还写过篇长文谈到这个问题。 但马库斯指出，DM围棋算法里所用到的蒙特卡洛树搜索就是基于以往在围棋程序上的积累。 “而DM他们的工作却倾向于放大人工智能后天自我塑造作用，”马库斯说，“这有很强的误导性。” 上述所有操作都能在文章的正文和附录中找到，但是却没有在摘要和讨论里大大方方地说出来（马库斯os：搞得那么隐蔽是闹哪样）。 尤其值得重视的是，这次预置的先天知识和框架和之前AlphaGo的是不一样的。 正如马库斯1月17号的那篇文章里的预测（还有1月2号那篇深度学习）一样，DeepMind当下的工作会出现大量不承认底层预置知识重要性的现象。 马库斯希望AI界的人能更多地从底层方面，原则上，开始意识到机器预置知识(innate machinery)的重要性。
84160发布于 2018-03-02 - 来自专栏科技记者
第11章 降维 笔记
11.3 使用PCA进行降维 主成分分析是一种应用非常广泛的线性降维方法，适合数据集包含非常多的特征，并且特征间彼此冗余（相关的情况）。 通过将特征集缩减成一小部分能代表原始特征集最主要变化的主要特征分量，实现高维数据到低维数据空间的映射。 多维尺度分析通过图形方式展示多个对象之间的相似或相异程度距离），多维是指映射到一维、二维或多维空间表达CF全家人相对距离，一般使用一或二维空间。 算法分为4步：确定邻近点，构建邻接图，计算最短路径和MDS分析找到数据间的低维嵌入。 扩展可以将RnavGraph包将图形作为数据浏览的基础方式来实现高维数据的可视化。 ISOMAP是全局性非线性降维，LLE主要是局部母性降维算法，假设每个数据点可以由k个邻近点的母性组合构成，映射后能保持原来的数据性质。
1.3K40编辑于 2022-03-04 - 来自专栏新智元
马库斯怒喷：是你有魔怔！
这不，加里·马库斯（Gary Marcus）为了让大家过个舒心的周末，还专门写了一篇文章： 对于谷歌职员认为AI有人格的看法，他表示，「是高跷加长版的胡说八道」（Nonsense on Stilts） AI界全球第一大喷马库斯：胡说八道！ 这位AI界最爱刷推特、最爱出长文骂人的世界第一大喷子，纽约大学心理学系教授如是评价道，「对文字很有一套。」 马库斯表示，「简直胡说八道！」 顺带提一下，马库斯称，像自己这样讨厌的学者还没有得到谷歌的允许去访问LaMDA。 对于否认LaMDA具有人格这件事，他是如何论证的呢？ 2022年6月11日，《华盛顿邮报》率先报道：谷歌AI伦理部门雇员Blake Lemoine坚信谷歌出产的语言模型LaMDA（「对话应用的语言模型」英文首字母缩写）已经有了八岁孩子的智力，而且因此在公司中各种搞事 twitter&sd=pf&s=r https://archive.is/2022.06.12-082721/https://www.washingtonpost.com/technology/2022/06/11
84430编辑于 2022-06-14 - 来自专栏新智元
马库斯发文炮轰LeCun：只靠深度学习无法实现类人智能
---- 新智元报道 编辑：Joey 桃子 【新智元导读】继提出「深度学习撞墙」后，马库斯再发长文称，仅靠深度学习并不能实现类人智能。 今年3月，Gary Marcus（加里·马库斯）提出「深度学习撞墙」这个观点后，在人工智能学界激起千层浪。 而在LeCun和Browning的新观点里，符号操作实际上是至关重要的，正如马库斯和Steven Pinker从1988年开始提出的观点。 马库斯也就由此指责Lecun，「你的观点我几十年前就提出了，你的研究倒退了几十年」。 而且不只是我一个人说的，其他大佬也这么认为。 马库斯称，之前的实验虽然不能保证符号操作的能力是与生俱来的，但几乎与这一观点别无二致。它们确实对任何依赖大量经验的学习理论构成了挑战。
46510编辑于 2022-08-26 表格基础模型加速高维贝叶斯优化
某机构研究人员开发了一种新方法，重新思考了如何使用一种称为“贝叶斯优化”的经典方法来解决具有数百个变量的问题。 我们提出了一种算法，不仅可以解决高维问题，而且可重复使用，因此无需每次都从头开始，就能应用于许多问题。”计算科学与工程专业的研究生、该论文的 lead author Rosen Yu 说。 改进一种成熟方法当科学家试图解决一个多方面的难题，但评估成功的方法很昂贵（例如通过碰撞测试汽车来判断每个设计的好坏）时，他们通常会使用一种行之有效的方法，称为贝叶斯优化。 为了解决这两个缺点，某机构研究人员利用了一种称为“表格基础模型”的生成式人工智能系统，将其作为贝叶斯优化算法内部的代理模型。“表格基础模型就像是用于电子表格的 ChatGPT。 “这项工作中提出的方法，使用预训练的基础模型与高维贝叶斯优化相结合，是减少基于仿真的设计对大量数据需求的一种富有创造性且前景广阔的方法。
16310编辑于 2026-04-27- 来自专栏新智元
马库斯揭露爆火模型荒诞回答，表示「还不行」
盖瑞·马库斯（Gary Marcus）贴上了这个图，配文是：「GPT在继续挣扎」。
63820编辑于 2023-01-08 - 来自专栏NowlNowl_AI
机器学习第11天：降维
：当一个任务有很多特征时，我们找到最主要的，剔除不重要的 主流方法 1.投影 投影是指找到一个比当前维度低的维度面（或线），这个维度面或线离当前所有点的距离最小，然后将当前维度投射到小维度上 二维投射到一维 三维投射到二维 2.流形学习 当然，当数据集投影后在低纬度上有重叠的时候，我们应该考虑别的方法 我们来看看被称为瑞士卷数据集的三维图 经过两种降维数据的处理，我们得到下面两幅二维数据可视化图 我们可以看到 ，左边的数据 有很多重合的点，它使用的是投影技术，而右图就像将数据集一层层展开一样，这就是流形学习 我们接下来介绍三种常见的具体实现这些的降维方法 一、PCA主成分分析 介绍 pca主成分分析是一种投影降维方法 PCA主成分分析的思想就是：识别最靠近数据的超平面，然后将数据投影到上面 代码 这是一个最简单的示例，有一个两行三列的特征表x，我们将它降维到2个特征（n_components参数决定维度） from ，重要的是我们要理解为什么要降维——减少不重要的特征，同时也能加快模型的训练速度
44710编辑于 2024-01-18 - 来自专栏拓端tecdat
动量和马科维茨Markowitz投资组合(Portfolio)模型实现
p=17931 动量和马科维茨投资组合模型使 均值方差优化 组合成为可行的解决方案。通过建议并测试： 增加最大权重限制 增加目标波动率约束 来控制 均值方差最优化的解。 ---- 本文摘选《R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现》
1.1K20编辑于 2022-03-11 - 来自专栏新智元
微软与OpenAI达成合作，获GPT-3独家授权，马库斯：呵呵？
一向「不待见」GPT-3的人工智能专家马库斯发文嘲讽。 消息一出，著名的人工智能研究者马库斯当即发推「怼」了过去：我们现在可以使用「民主化」一词来指代刚刚获得许可的东西吗？ 马库斯再批GPT-3！ 这不是马库斯第一次「喷」GPT-3了。 ? 马库斯对GPT-3的「蔑视态度」，从他的置顶推文中就可以洞见。 ? 可以陪你从诗词歌赋谈到人生哲学，还可以画图表搞运维做PPT，真的无所不能。
70920发布于 2020-09-27 - 来自专栏新智元
马库斯炮轰「ChatGPT的黑暗中心」，称灾难即将来临
---- 新智元报道 编辑：木槿 【新智元导读】ChatGPT热潮不断，但是背后的道德问题，仔细研究令人发指。如果有一天，ChatGPT完全掌控我们的生活，我们就会一步一步走向灾难。 ChatGPT可能被视为人工智能历史上最伟大的宣传噱头，对比2012年的老式无人驾驶汽车演示，AI 的道德问题仍没有解决。 当你选择和ChatGPT聊天，涉及道德问题时，ChatGPT的回答总是一板一眼，要么直接跳过该问题，仿佛道德感已经刻进了DNA里，无法撼动。 更进一步了解，ChatGPT正在冲破道德的边界，也或
51330编辑于 2023-02-24 - 来自专栏合集
机器学习day11降维
降维 用一个低维度的向量表示原来高维度的特征，避免维度灾难。 降维方法 主成分分析 线性判别分析 等距映射 局部线性嵌入 拉普拉斯特征映射 局部保留投影 PCA最大方差理论 原始数据高维向量包含冗余与噪声。 举个例子 如果在三维空间里面，一系列数据点过一个平面，如果我们使用xyz来表示，就需要用到三个维度。 而如果我们将其放在一个平面，使用xy来表示，那么就只有两个维度，而且数据也不会有任何的丢失，这样，我们就完成了从降维，从三维到二维。 对于给定的一组数据 ? ，通过以下映射将n维样本映射到d维 相关阅读： 机器学习day9-决策树 机器学习day8-SVM训练误差为0的解存在问题 机器学习day7-逻辑回归，分类问题
64450发布于 2020-08-25 - 来自专栏量子位
这十大挑战，摆在DL面前：马库斯长文质疑深度学习
夏乙 若朴 安妮 编译整理 量子位 出品 | 公众号 QbitAI 多年坚持为深度学习泼冷水的纽约大学心理学教授马库斯老师（Gary Marcus），今天终于写了一篇长长的文章，将自己的对深度学习的看法全面 在他长达27页（含参考文献）的文章“深度学习的批判性评价”中，马库斯回顾了深度学习这5年来的复兴历程，更重要的是，指出了深度学习目前面临的十大挑战。 这篇论文Deep Learning: A Critical Appraisal发布在arXiv上 地址：https://arxiv.org/abs/1801.00631 △ Gary Marcus 马库斯身兼畅销书作家 量子位将马库斯最新论文中的要点梳理、介绍如下（跳过了深度学习科普部分）： 深度学习的局限始于我们生活中的一个反差：我们所生活的世界，数据从来都不是无限的。 https://arxiv.org/ftp/arxiv/papers/1801/1801.00631.pdf 在文章的最后，马库斯老师又提到了他2012年在《纽约客》写下的那篇略带悲壮的专栏文章《“深度学习
92230发布于 2018-03-22 - 来自专栏全栈程序员必看
《前端运维》一、Linux基础–11服务
首先服务的概念，对于linux服务器来说，其中大多数的软件都算是服务，比如nginx、mysql、Jenkins等等。下面我们就来学习一下linux中有关服务的一些内容。
1K30编辑于 2022-07-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号