XiaoMi-AI文件搜索系统
World File Search SystemPyTorch
课程教学大纲：CS7643深度学习-OMSCS
在本课程中，学生将学习基本原则，基本的数学和深度学习的实施细节。这包括用于优化这些高度参数化模型的概念和方法（梯度下降和反向传播以及更普遍的计算图），组成它们的模块（线性，卷积和汇总层，激活功能等。）和常见的神经网络体系结构（卷积神经网络，经常性神经网络等）。将展示从计算机视觉到自然语言处理和决策（强化学习）的应用。通过深入的编程作业，学生将学习如何实施这些基本的构建块，以及如何使用流行的深度学习库Pytorch将它们整合在一起。在最后一个项目中，学生将通过以他们热衷的问题探索这些概念来应用他们所学到的知识。
Shi-Xin Zhang（张士欣） - refraction-ray
• 量子算法与应用：项目负责人/研究科学家领导一小群优秀人才专注于近期量子算法和量子模拟方案的研究、分析和设计。还与金融/生物/能源/材料/IT 领域的顶级商业伙伴合作，探索具有潜在量子优势的行业解决方案。• 量子软件研发：项目负责人/软件创建者/平台架构师/核心作者和维护者创建并开发了一个高性能开源且功能齐全的量子软件框架：TensorCircuit。该软件由先进的张量网络引擎驱动，并直接建立在机器学习框架之上：TensorFlow、PyTorch 和 Jax，旨在统一量子编程。
pybci：用于脑部计算机接口的Python软件包（BCI ...
PYBCI设计为轻巧且用户友好，强调快速自定义，并与实验室流层（LSL）无缝集成以进行数据采集和标签（Kothe等，2023）。该平台包括Pytorch（Paszke等，2019），Tensorflow（Abadi等，2015）和Scikit-Learn（Pedregosa等，2011），以及特征提取工具，以及诸如Antropy（Vallat，2023），Numpy（Olippy（Olipean），AlipeN（Quirane），以及2006年，2006年，。 ）。 这种集成使用户可以更多地专注于他们的研究，而不是软件开发。 尽管将与其他软件解决方案进行详细比较，但在“现场状态”部分中，Pybci通过强调易用性和技术集成而与众不同。。 ）。这种集成使用户可以更多地专注于他们的研究，而不是软件开发。尽管将与其他软件解决方案进行详细比较，但在“现场状态”部分中，Pybci通过强调易用性和技术集成而与众不同。
人工智能安全博士研究员
伦敦帝国理工学院的 AI 安全博士研究员。我目前的兴趣是 ML 安全、GAN 和联邦学习。我专注于数据中毒攻击，攻击者可以操纵从不受信任的来源收集的训练数据来降低 ML 算法的性能。我在使用 Python 和 PyTorch 原型设计 ML 算法方面拥有丰富的经验。我曾在伦敦帝国理工学院的 ML、深度学习和概率方法的几门课程中担任助教。我在 2022 年夏天在 IBM Research 进行了 ML 安全和机器学习的研究实习。我于 2021 年入选 Santander-CIDOB 35 岁以下 35 人榜单。我的背景也是电信工程。如果你想了解有关我的有趣事实，你可以看看这个视频。
文章 Neuroscope：用于卷积神经网络语义分割和图像分类的可解释 AI 工具箱
摘要：对人工智能 (AI) 预测的信任是广泛接受新技术的关键点，尤其是在自动驾驶等敏感领域。因此，对用于深度学习图像的解释 AI 的工具的需求迫在眉睫。我们提出的工具箱 Neuroscope 通过提供用于图像分类的最先进的可视化算法和用于卷积神经网络 (CNN) 语义分割的新方法来满足这一需求。凭借其易于使用的图形用户界面 (GUI)，它可在 CNN 的所有层上提供可视化。由于其开放的模型视图控制器架构，使用 Keras 和 PyTorch 生成和训练的网络是可处理的，并且具有允许扩展到其他框架的接口。我们以交通场景分析为例展示了 Neuroscope 提供的解释能力。
乘数：机器学习的多参数持久性
乘数是用于拓扑数据分析的Python库，重点是多参数Pers Istence计算和用于机器学习的可视化。它具有多种有效的计算和可视化工具，具有集成，易于使用的，自动差异的机器学习管道，它们可以与Scikit-Learn无缝连接（Pedregosa等，2011）和Pytorch（Paszke等，2019）。该库可用于拓扑或几何机器学习中的非专家。至关重要的功能在C ++或Cython中实现（Behnel等，2011-03/2011-04），与TBB平行（Robison，2011），并具有Python结合和界面。它可以处理非常多样化的数据集，这些数据集可以构建为（有限的）多过滤简单或单元格，包括，例如，点云，图形，图形，时间序列，图像等。
新闻摘要中的持续学习-Jiliang（Eric）li
Web服务1，David Lopez-Paz和Marc'aurelio Ranzato（2017）。连续学习的梯度情节记忆。corr，ABS/1706.08840。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。 持续学习，并具有深刻的生成重播。 corr，ABS/1705.08690。 3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。 克服神经网络中的灾难性遗忘。 Corr，ABS/1612.00796。 4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。持续学习，并具有深刻的生成重播。corr，ABS/1705.08690。3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。克服神经网络中的灾难性遗忘。Corr，ABS/1612.00796。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。从持续学习的角度来看生成模型。corr，ABS/1812.09111。5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。24，否。363，pp。1-6，2023。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。
人工智能 (AI) 英特尔® 高级矩阵扩展 (英特尔® AMX) 利用英特尔高级矩阵扩展 (英特尔 AMX) 加速 AI 工作负载
Intel AMX 是内置于最新 Intel Xeon 处理器中的加速器。Intel AMX 提高了深度学习 (DL) 训练和推理的性能，使其成为 NLP、推荐系统和图像识别等工作负载的理想选择。想象一下，一辆汽车可以在城市驾驶中表现出色，并能快速变速，提供一级方程式赛车的性能。最新的 Intel Xeon 处理器提供了这种灵活性。开发人员可以编写 AI 功能以利用 Intel AMX 指令集，也可以编写非 AI 功能以使用处理器指令集架构 (ISA)。英特尔已将其 oneAPI DL 引擎英特尔® oneAPI 深度神经网络库 (oneDNN) 集成到流行的 AI 应用程序开源工具中，包括 TensorFlow、PyTorch、PaddlePaddle 和 ONNX。
Quentin Ferry（博士）
深度学习课程和认证：（i）深度学习。 （ii）UC Berkeley-设计，可视化和理解深NN（审计，2021年）； （iii）DeepMind-强化学习系列2021（审计，2021年）。-----熟悉：经典DL体系结构（MLP（FF），CNN，RNN，NLP，Transformers），模型培训与优化（SGD，正规化，超参数调整等），应用程序（RL，Vision，Vision，NLP，GAN，VAE）。无监督的学习与数据分析（PCA，TSNE，MDS等）。-----编程语言：Python（Numpy，Pandas，Pytorch，Matplot- Lib），R，Matlab（也是Java，Java，JavaScript，CSS，CSS，HTLM，MySQL）。-----科学交流（即手稿，海报和谈话）（精通所有办公室软件和Adobe Illustrator）；流利的英语和法语。
香港科学技术大学
强化学习（RL）是一种计算学习方法，在与复杂和不确定的环境互动时，代理商试图最大化其获得的总奖励。它不仅在许多游戏（例如GO）中表现出很强的性能，而且在许多当今现实世界中的应用程序（例如LLM培训，体现的AI）中也成为必不可少的技术。本课程旨在教授RL的基本原理和高级主题。课程内容包括引入基本RL元素（包括MDP，动态编程，策略迭代），基于价值的方法（DQN），基于策略的方法（策略梯度），基于模型的RL，Multi-Agent RL，其他高级主题以及RL技术在当今计算机视觉或AI应用程序中的应用。为了更好地增强理解，我们还将包含一些Python/Pytorch实现。