这两年人工智能很吃香,今年的人工智能应届博士年薪甚至有高达80万,而且很稀缺。我一向对此感兴趣,于是查找了一下西工大的博士研究生招生。现在将资料放此,以备查看。 西北工业大学研究生招生信息网:http://yzb.nwpu.edu.cn/new/sy.htm 招生简章:http://yzb.nwpu.edu.cn/info/1180/6927.htm 专业招生目录:http://yzb.nwpu.edu.cn/info/1182/6926.htm 有关的几个方向:阅读全文

资料:3个四足机器人 Potmini、Laikago 和 Anymal

Spotmini 来自美国,波士顿动力(Boston Dynamics)公司出品。 官网:https://www.bostondynamics.com/   Laikago 来自中国,宇树(Unitree)科技公司出品 官网:http://www.unitree.cc(EN), http://www.unitree.cc/cn/(中文) Anymal 来自瑞士,由机器人系统实验室(Robotic Systems Lab)出品。 官网:https://www.anybotics.com   三大机器人比拼视频:Youtube链接阅读全文

Connections between physics and deep learning——Machine Learning and Physics youtube上的其他相关搜索结果: https://www.youtube.com/results?search_query=machine+learning+physics 引申阅读: How does physics connect to machine learning? What are the connections between machine learning and physics?阅读全文

美国一个初创公司叫做 Lyrebird 。这个公司的产品可以让你制作自己的数字声音,几乎能以假乱真。 官网: https://lyrebird.ai/  这是一个市场需求的痒点。 我尝试注册,居然第一次见到163邮箱和qq邮箱都不支持注册,只好用outlook邮箱注册了。不过一直显示注册不成功。 国内的网络环境真差劲,Google的 TensorFlow 被墙,街景被墙,twitter被墙,Youtube 被墙,就连Google 学术都被墙,上面有太多的好资料了,可惜都看不到。国内法律对 VPN 科学上网的打击却在不断加大,让我真的很无语。 等能科学上网了再说吧,暂时还没搞这个。 Below is added on 2018.1.27 现在可以科学上网了,补上网站的演示体验。 在 LyrebirdAi 的 Twitter 账户 https://twitter.com/LyrebirdAi 里可以看到它合成的奥巴马、特朗普的演示视频和音频。音色是一致的,但是瑕疵很多,完全可以听得出来区别。 我录制了演示视频:阅读全文

今天出来一则新闻,大意是说百度ECharts数据可视化实验室正式上线。 百度ECharts数据可视化实验室由ECharts团队创建,联合公司内外众多数据可视化从业人员组成的技术研究虚拟组织,一同致力于数据可视化的相关研究、教育普及、产品研发及生态建设。 网址:http://vis.baidu.com/ 基于基础的可视化规范,依托ZRender、ClayGL基础库,实现了强大的ECharts、ECharts GL。以ECharts为核心,整合MapV等完善的数据可视化产品,并针对各类场景、各种需求开发了图说、Gallery、插件等完善的应用产品。从基础到框架到上层应用,可扎实、强大、便捷的满足一切数据可视化需求。   我个人对 VisualDL 比较感兴趣,对数据分析有帮助。比如下图的展示方式,可以将不同波形按照一定顺序层层展示。那么这就可以生成一段声音的三维模型。(比如,对这段声音的三维模型进行一定的处理,得到一些关键坐标点,则可以对这段声音加密,当然这是我臆想的,是否可以成功不确定)。 VisualDL 还对深度学习有帮助,具体有待了解。   ECharts 是用来生成各种数据报表的,可以对数据进行可视化,能动态展示数据,效果有点类似于 Processing 的效果。这里有很多生动的例子:http://echarts.baidu.com/examples/in阅读全文

这是一个转型AI的励志故事,从非科班到拿下竞赛一等奖[转载]

本文大概描述了机器学习领域之外的人如何转行到机器学习领域内。说得很详细。 下文转载自CSDN:http://blog.csdn.net/qq_40027052/article/details/78542679?locationNum=3&fps=1 在计算机行业,关于从业人员的素质,一直都有一个朴素的认识——科班出身好过非科班,学历高的好过学历低的。大部分时候,这个看法是对的。在学校学习,有老师指点,有同学讨论,有考试压迫,有项目练手。即便不大用心的学生,几年耳濡目染下来,毕业后作为半个专业人士,还是没什么问题的。 不过,量子物理告诉我们,这个世界的本质要看概率。所以,科班出身的同学,在技术上好过非科班出身的同学,这是大概率事件;相反,非机器学习专业,甚至非计算机专业的同学,在这个领域做的比本专业同学更好,则就是小概率事件了。但小概率事件并非“不可能事件”,国内很多做机器学习公司的CTO,都不是机器学习专业的科班出身,却能够抓住这里的“小概率”,让自己华丽地转身并实现弯道超车。 他们是怎么做到的? 如果在上学的时候,我们没能嗅到机器学习领域的机会,而是选择其他领域来学习和工作……如今却打算半路出家、改行机器学习,应该怎么做,才能做到跟这些人一样好?或者,至少是足够好? 我自己痛苦转型的经历,说出来可以供大家参考一下。 我也是非科班出身,但因为工作,一直需要接触计算机视觉的一阅读全文