| 共 19 篇文章 |
|
吴军：数学，为人生之题解出漂亮的答案。在著作《数学之美》中，吴军曾对数学的魅力和实用性大加赞美。数学其实讲究的是一个逻辑，它跟实验科学不一样，实验科学都是你观察到一个现象，然后试图通过一种理论解释一个现象，数学它不是，它是从一些符合我们日常认知的基本假设出发，然后完全用逻辑推导出的结论，只要它的逻辑是对的，它的结论都... 阅422 转2 评0 公众公开 18-07-12 19:42 |
【ICML Oral】DeepMind提出深度学习新方向：神经过程模型。【新智元导读】函数逼近是机器学习中许多问题的核心，DeepMind的最新研究结合了神经网络和随机过程的优点，提出神经过程模型，在多任务上实现了很好的性能和高计算效率。在这项工作中，DeepMind研究科学家Marta Garnelo等人的团队提出一种基于神经网络并学习随机过程逼近的方法，他们... 阅48 转0 评0 公众公开 18-07-06 14:20 |
【深度】专业解读“深度强化学习“：从AlphaGo到AlphaGoZero.它创新性地结合深度强化学习和蒙特卡罗树搜索，通过策略网络选择落子位置降低搜索宽度，使用价值网络评估局面以减小搜索深度，这样搜索效率得到了大幅提升，胜率估算也更加精确。目前来看，AlphaGo中神经网络的成功主要还是基于卷积神经网络，但是下围棋是一个动态持续的过程，因此... 阅1821 转17 评0 公众公开 17-10-25 07:53 |
Nature重磅：人工智能从0到1, 无师自通完爆阿法狗100-0 | 深度解析。去年，阿法狗（AlphaGo）代表人工智能在围棋领域首次战胜了人类的世界冠军，但其棋艺的精进，是建立在计算机通过海量的历史棋谱学习参悟人类棋艺的基础之上，进而自我训练，实现超越。这或许说明人类的下棋数据将算法导向了局部最优(local optima)，而实际更优或者最优的下法... 阅16 转0 评0 公众公开 17-10-25 07:53 |
一张图解AlphaGo原理及弱点。如果有中国职业棋手想挑战AlphaGo，我们愿意为其组建最顶尖（且懂围棋）的人工智能专家顾问团，助其取胜AlphaGo。通过大量的自我对弈，AlphaGo产生了3000万盘棋局，用作训练学习价值网络。攻其价值网络，万劫不复：AlphaGo的价值网络极大的提高了之前单纯依靠MCTS来做局势判断的精度，但离准确判断围棋局势还有不小... 阅2 转自刘真合 公众公开 17-08-26 12:20 |
一文读懂蒙特卡洛方法 | 谷歌围棋机器人科普。做为一种通用的计算方法，蒙特卡洛采样法的思想是当我们在求解一个确定但未知的值的时候，“在概念上”巧妙构造一个随机过程，使得这个随机过程的某个数字特征依概率收敛于我们要求的值，然后“在实际操作中”通过对该随机过程进行采样来对这个值进行统计估计。前面提到了，每个围棋盘面都有一个“... 阅1 转自思想与生... 公众公开 17-08-26 12:19 |
柯洁输棋不是人类的失败，而是人类的胜利。显然，从大众的情绪反应来看，很多人将此理解为人类的失败，而不是人类的胜利。之所以那么多人对AI感到恐惧，当然不是因为它连胜人类棋手本身，而是因为此事所代表的象征意义：围棋被我们默认为是人类最复杂的棋类游戏，象征着人类智能的某种极限。确实，我们应该把目光从“围棋”上挪开，也不要本能... 阅37 转0 评0 公众公开 17-08-25 23:11 |
AlphaGo 的下一步。因此，此次围棋峰会将是 AlphaGo 参加的最后一场赛事。这个工具将可以展示 AlphaGo 对围棋落子位置的分析，帮助大家更好地了解这个程序是如何思考的，最终让职业棋手以及爱好者可以从 AlphaGo 的视角来重新审视围棋。围棋界对 AlphaGo 给予了积极的评价，职业棋手和业余围棋爱好者也对 AlphaGo 给围棋这一古老游戏带来的全新... 阅12 转0 评0 公众公开 17-08-25 23:08 |
即便分出了赢棋输棋方的落子方案，赢棋者的落子不一定都是好棋（如两个臭棋篓子下棋），输棋者的落子不一定都是差棋（如两个顶尖高手的精彩对弈）。分析原因，大概就是我们刚才说的赢棋者的落子不一定都是好棋（如两个臭棋篓子下棋），输棋者的落子不一定都是差棋（如两个顶尖高手的精彩对弈）的情况。“走棋网络”的特点是模拟人类的常见走棋... 阅22 转0 评0 公众公开 17-08-25 23:06 |
