Learn more about Machine learning - Section 14

从数据到洞察：利用生成式人工智能进行数据分析

生成式人工智能正在革命化数据分析，探索生成式人工智能对数据分析的影响，并改变组织如何利用数据进行明智决策

如何借鉴考古学方法来改善AI中的偏见数据，以提高医学水平

虽然计算机科学家可能最初将数据偏差和错误视为一种麻烦，但研究人员认为它是反映社会价值观的一个隐藏的宝库

想要提高您的短期预测能力吗？试试需求感知技术

当传统的预测方法在准确性上达到瓶颈时，我们通过使用人工智能/机器学习模型客户订单中的模式来推动进一步的预测改进

结识TensorRT-LLM：一款在NVIDIA Tensor Core GPU上加速和优化最新LLM推理性能的开源库

人工智能（AI）大型语言模型（LLMs）可以生成文本，翻译语言，写各种形式的创意材料，并为您的问题提供有用的答案。然而，LLM...

认识PyGraft：一款开源的基于Python的人工智能工具，可以生成高度定制化的、与领域无关的模式和知识图谱

一种越来越受欢迎的表示数据的图结构的方法是使用知识图谱（KGs）。KG是一组三元组（s，p，o），其中s（主体）和o（对象）是...

大型语言模型真的能做数学吗？这篇人工智能研究介绍了MathGLM：一个强大的模型，可以在没有计算器的情况下解决数学问题

谈到下游自然语言处理（NLP）任务时，大型语言模型（LLMs）已被证明非常有效。为了生成连贯和相关上下文的回复，像GPT4和Chat...

低成本四足机器人能掌握跑酷吗？揭示了一种革命性的敏捷机器人运动学习系统

使机器人执行复杂的物理任务，比如在具有挑战性的环境中导航，一直以来都是机器人技术领域的一大难题。这个领域中最具挑战性...

“《侏罗纪公园》的等待结束了吗？这种人工智能模型使用图像到图像的转换技术将古老的化石复活了起来”

图像到图像的转换（I2I）是计算机视觉和机器学习领域内的一个有趣领域，它有能力将图像内容从一个域转换到另一个域而无缝衔接...

通过密度提示链增强GPT-4摘要

近年来，大型语言模型由于其出色的能力而备受关注。大型语言模型可以进行问题回答、内容生成、语言翻译和文本摘要等各种任务...

“量子助力：cuQuantum与PennyLane让模拟可以在超级计算机上运行”

从长岛大西洋海岸进入十英里，Shinjae Yoo正在加速他的引擎。 这位美国能源部布鲁克黑文国家实验室的计算科学家和机器学习团...

理解机器学习算法：深入概述

理解机器学习：揭示任务、算法和选择最佳模型

百度AI研究人员推出VideoGen：一种新的文本到视频生成方法，可以生成高清视频并具有高帧率保真度

文本到图像（T2I）生成系统，例如DALL-E2、Imagen、Cogview、Latent Diffusion等，在近年来取得了长足的进展。另一方面，文本...

如何减轻细粒度图像分类中的背景引起的偏差？屏蔽策略和模型架构的比较研究

细粒度图像分类深入研究了在更广泛的类别中区分密切相关的子类别。例如，不仅仅将图像识别为”鸟”，这种方法可以...

谷歌研究员提出了MEMORY-VQ：一种新的人工智能方法，可以减少存储要求，而不会牺牲存储增强模型的性能

近期语言模型的研究强调了提高事实知识的检索增强的重要性。检索增强涉及为这些模型提供相关的文本段落以提高其性能，但这会...

微软研究员发布PromptTTS 2：通过增强语音可变性和成本效益的提示生成，革新文本转语音技术

由于文本到语音系统的最新发展，合成语音的可懂性和自然度得到了改善。已经为多说话者环境创建了大规模的TTS系统，一些TTS系...

AI模型加速高分辨率计算机视觉

该系统可以提高视频流媒体中的图像质量，或者帮助自动驾驶车辆实时识别道路隐患

LLMs和数据分析：AI如何对大数据进行商业洞察

大型语言模型（LLMs）具有通过广泛的数据集提供有价值的商业洞察的能力。本文探讨了公司如何利用LLMs分析客户评论、社交媒体...

“遇见PhysObjects：一个基于物体的数据集，包含36.9K个众包和417K个自动化的常见家用物品的物理概念标注”

在现实世界中，信息通常通过文本、图片或视频的组合来传达。为了有效地理解和与这些信息互动，人工智能系统必须能够处理两种...

“NVIDIA Grace Hopper超级芯片在MLPerf推理基准测试中占据主导地位”

在MLPerf行业基准测试中，NVIDIA GH200 Grace Hopper Superchip通过了所有数据中心推理测试，扩展了NVIDIA H100 Tensor Core ...

精调大型语言模型（LLM）

在这篇文章中，我们将讨论如何对预训练的LLM进行微调（Fine-Tune）我们首先介绍了关键的微调概念，然后通过一个具体的例子来结束