AI在线 AI在线

机器学习

简易指南：运用AI/ML技术检测实时欺诈行为

简易指南：运用AI/ML技术检测实时欺诈行为
译者 | 核子可乐审校 | 重楼随着技术的飞速发展，欺诈检测的重要意义也日益凸显。 根据注册欺诈审查师协会（ACFE）公布的数据，全球范围内的欺诈活动给企业造成的损失高达数万亿美元，占年销售总额的近5%。 随着欺诈手段愈发老练复杂，企业也开始借助AI与机器学习（ML）等前沿技术辅助分析，探索打击欺诈的新途径。
2/12/2025 8:00:00 AM
核子可乐
新的训练范式可以防止机器学习模型学习虚假相关性

新的训练范式可以防止机器学习模型学习虚假相关性
译者 | 李睿审校 | 重楼机器学习领域长期存在的问题之一是错误相关性的记忆。 例如：假设开发人员正在开发一个深度神经网络对陆地鸟类和海洋鸟类的图像进行分类。 他们使用数千张标记过的图像训练模型，这个模型在训练集和测试集上的表现都非常出色。
2/11/2025 8:11:56 AM
李睿
历史分水岭：DeepSeek GitHub星数超越OpenAI！大佬揭秘仅用450美元训推理模型

历史分水岭：DeepSeek GitHub星数超越OpenAI！大佬揭秘仅用450美元训推理模型
就在刚刚，历史性的一刻出现了。 DeepSeek项目在GitHub平台上的Star数，已经超越了OpenAI。 热度最高的DeepSeek-V3，Star数如今已达7.7万。
2/8/2025 9:15:00 AM
新智元
DeepSeek-R1 模型幻觉问题严重，推理能力与准确性面临挑战

DeepSeek-R1 模型幻觉问题严重，推理能力与准确性面临挑战
近日，Vectara 的机器学习团队对 DeepSeek 系列的两款模型进行了深入的幻觉测试，结果显示，DeepSeek-R1的幻觉率高达14.3%，显著高于其前身 DeepSeek-V3的3.9%。 这表明，在增强推理的过程中，DeepSeek-R1产生了更多不准确或与原始信息不一致的内容。 该结果引发了对推理增强大语言模型（LLM）产生幻觉率的广泛讨论。
2/6/2025 10:57:00 AM
AI在线
人工智能的历史：从古代神话到现代机器，从图灵到未来

人工智能的历史：从古代神话到现代机器，从图灵到未来
在人类宏伟成就的历史上，很少有演员能像人工智能一样如此引人注目、充满争议且大胆无畏。 深入人工智能 (AI) 的历史迷宫及其可能的未来，就像踏上一场穿越时空的冒险之旅，科幻小说与现实之间的界限比量子计算机解决魔方的速度更快。 请想象一下，如果有一天，机器不仅能执行任务，还能学习、适应和进化，你的烤面包机也许有一天会在国际象棋上胜过你，你的吸尘器也许能写出一首与莎士比亚媲美的十四行诗。
2/5/2025 9:55:29 AM
晓晓
谷歌 X 实验室孵化新创业公司 Heritable Agriculture：利用人工智能提升农作物产量

谷歌 X 实验室孵化新创业公司 Heritable Agriculture：利用人工智能提升农作物产量
谷歌 X “月球计划工厂” 近日宣布了一项新创业公司 Heritable Agriculture 的独立发展。 这个新公司致力于利用数据和机器学习技术来改进农作物的生长方式。 Heritable Agriculture 在一份声明中提到，植物是高效且令人惊叹的系统:“植物是太阳能驱动的、碳负的自组装机器，依靠阳光和水生存。
2/3/2025 11:01:00 AM
AI在线
28年AGI撞上数据墙，以后全靠测试时计算？CMU详解优化原理

28年AGI撞上数据墙，以后全靠测试时计算？CMU详解优化原理
2025年主导AI的将是第3代scaling law：测试时计算。 正如Michael Dell转述所言：第一代scaling：预训练像读大学第二代scaling：微调像读博士第三代scaling：测试时计算就像深度思考和推理近日，计算机强校CMU机器学习系，发表博客文章解释LLM测试时计算优化问题，特别是涉及到的元强化学习（meta-RL）问题。 文章亮点如下：监督学习只是在训练模型「答案是什么」，只要学习「如何解答」，模型泛化性会更好。
1/27/2025 12:34:02 PM
新智元
使用 Yolov8 Flask 自定义训练实时火灾和烟雾检测

使用 Yolov8 Flask 自定义训练实时火灾和烟雾检测
近年来，人工智能和机器学习的进步彻底改变了包括公共安全在内的各个行业。 这些技术在火灾和烟雾检测方面取得了显著进展，这对于早期预警系统和高效的应急响应至关重要。 实现这一目标的最有效方法之一是将YOLOv8强大的目标检测能力与基于Python的轻量级Web框架Flask的灵活性相结合。
1/21/2025 11:41:14 AM
二旺
人大、东北大学联合开发「图机器学习库」Jittor Geometric！性能超越PYG、DGL

人大、东北大学联合开发「图机器学习库」Jittor Geometric！性能超越PYG、DGL
近日，中国人民大学与东北大学联合开发了图机器学习库Jittor Geometric，其1.0版本近日已正式发布。 Jittor Geometric以国产深度学习框架Jittor为基础技术架构，聚焦图数据，在图存储、图计算、图学习等方面作了细致优化，整合、加速了现有多类图神经网络模型，模型运行时间在多种图学习任务上较Pytorch Geometric（PyG）、Deep Graph Library（DGL）等同类型框架提升10%~50%。 同时，Jittor Geometric简洁、易用、跨平台通用性强、用户学习成本低，目前已用于研究生课程教学。
1/21/2025 9:15:00 AM
新智元
机器学习的下一个前沿—量子扩展

机器学习的下一个前沿—量子扩展
译者 | 陈峻审校 | 重楼现如今，机器学习的速度比以往任何时候都快得多，也能够解决那些曾被认为完全无法解决的问题。 将来，在量子计算潜力的驱动下，人工智能（AI）模型会越来越大、越来越强，甚至会超越我们对其训练的工具。 说到模型训练，其计算和能源的消耗成本日趋高启。
1/21/2025 8:11:24 AM
陈峻
终于把机器学习中的特征选择搞懂了！！

终于把机器学习中的特征选择搞懂了！！
特征选择是机器学习中的一个重要过程，通过选择与目标变量最相关的特征，剔除冗余或无关的特征，从而提高模型的性能、减少训练时间，并降低过拟合的风险。 常见的特征选择方法有：过滤方法、包装方法和嵌入方法过滤方法过滤方法是一种基于统计特性和独立于模型的特征选择技术。 它通过计算特征与目标变量之间的相关性或其他统计指标来评估特征的重要性。
1/20/2025 9:21:00 AM
程序员小寒
终于把机器学习中的类别不平衡搞懂了！！

终于把机器学习中的类别不平衡搞懂了！！
今天给大家分享机器学习中的一个关键概念，类别不平衡。 类别不平衡指的是在分类问题中，不同类别的数据样本数量相差悬殊的情况。 在机器学习和深度学习的应用中，类别不平衡是一个常见的问题，尤其是在一些实际场景中，某些类别的数据相对较少，而其他类别的数据较多。
1/20/2025 9:00:00 AM
程序员小寒
AMD与约翰霍普金斯大学联手：AI实验室copilot自动化科研，成本节约84%！

AMD与约翰霍普金斯大学联手：AI实验室copilot自动化科研，成本节约84%！
编辑 | 2049科学研究，尤其是机器学习领域的研究，往往需要大量的时间和资源投入，从最初的构思到最终的结果产出，每一步都充满了挑战。 近年来，大型语言模型（Large Language Models，LLMs）在自然语言处理和代码生成方面取得了显著进展，这为自动化科学研究提供了新的可能性。 然而，现有的自动化研究工具通常只能处理单个环节，如文献综述或实验设计，无法实现全流程的自动化。
1/14/2025 11:56:00 AM
ScienceAI
使用 Teachable Machine 构建图像识别模型

使用 Teachable Machine 构建图像识别模型
Teachable Machine 是由 Google 开发的一款基于网页的工具，允许任何人在不需要深入了解编程或机器学习的情况下创建机器学习模型。 它的设计易于使用且用户友好，适合初学者、教育工作者，甚至是想要探索人工智能概念的孩子们。 Teachable Machine 支持的模型Teachable Machine 支持以下机器学习模型：图像分类 — 识别图像中的物体音频分类 — 识别声音、语音或其他音频输入姿态分类 — 识别人体姿态或动作要训练模型，您需要为 Teachable Machine 提供自己的数据集，例如图像或录音。
1/11/2025 11:14:52 PM
二旺
PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估

PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估
在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。 这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。 其实这种观点存在根本性的谬误。
1/9/2025 2:06:31 PM
J Kwak
从零开始构建 DINO：自监督视觉 Transformer

从零开始构建 DINO：自监督视觉 Transformer
DINO模型输出的狗冲刺无标签自蒸馏（DINO）《从几个“补丁”中重建完整图像 | 构建可扩展学习器的掩模自编码器》这边文章讲了如何构建可扩展学习器，这是我对视觉变换器系列的继续，其中我解释了最重要的架构及其从零开始的实现。 自监督学习自监督学习（SSL）是一种机器学习类型，模型通过无需手动标记的示例来学习理解数据。 相反，它从数据本身生成其监督信号。
1/9/2025 11:14:13 AM
机器学习
终于把机器学习中的超参数调优搞懂了！！

终于把机器学习中的超参数调优搞懂了！！
今天给大家分享机器学习中一个重要的知识点，超参数调优超参数调优（Hyperparameter Tuning）是机器学习模型开发过程中一个关键步骤，旨在通过调整模型的超参数来优化模型的性能。 超参数不同于模型参数，后者是在训练过程中通过数据学习得到的，而超参数是在训练之前设定的，通常需要通过试验和优化来确定。 什么是超参数超参数是指在训练机器学习模型之前需要人为设定的参数。
1/7/2025 12:55:28 PM
程序员小寒
图像相似度估计 | 结合三元组损失的暹罗网络

图像相似度估计 | 结合三元组损失的暹罗网络
在机器学习领域，确定图像之间的相似度在各种应用中至关重要，从检测重复项到面部识别。 解决这个问题的一个强大方法是使用暹罗网络结合三元组损失函数。 在本文中，我们将探索如何构建和训练暹罗网络以估计图像相似度，并通过一个来自GitHub仓库的实际示例进行说明。
12/31/2024 8:20:00 AM
二旺