这是 ShowMeAI 持续分享的重磅报告系列！《State of AI Report 2022》是一份发布于2022年10月的报告，作者Nathan Benaich和Ian Hogarth从Research、Industry、Politics、Safety等四个方面，对2022年的发展做了汇总梳理，并对新一年的发展进行了预测。完整报告 114 页。 ◉ 内容要点： ① 大厂实验室走向封闭，但是新的独立研究实验室正在迅速开源。虽然 AI 研究呈现集中趋势，但计算与访问成本的降低催生了走在研究最前沿的小型实验室（如 Stability.AI 和 Midjourney）。 ② 人工智能研究越来越关注安全领域。安全研究人员在大型 AI 实验室的安全研究人员，由去年的不到100人增长为300人，这也有望提升安全学者的认可度。 ③ 中美人工智能研究差距继续扩大，自2010年以来，中国机构发表的论文数量是美国机构的4.5倍，明显超过美国、印度、英国和德国的总和。 ④ 人工智能驱动的科学研究继续取得突破，但数据泄漏等重大方法错误需要进一步调查，否则会导致 AI 危机的日益严重。

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『机器学习』主题（其他部分的下载链接见评论区），包含以下部分： - Loss Functions & Metrics （损失函数 & 矩阵） - Experimental Designs and Paradigms （实验设计与范式） - Statistical Data Processing （统计数据处理） - Misc. Classical ML Models （经典的ML模型）

根据数据集中的多个特征进行训练，使得网络模型根据特征可以预测气温。

Titanic数据集主要包含两部分,训练集(train.csv)和测试集(test.csv)。其中训练集中包含乘客的基本信息和最终在事故中的存活情况,测试集只包含乘客的基本信息, 不包含存活情况。 目的:通过对训练集中乘客的基本信息和存活情况的分析,找到背后隐藏的某种规律,去推断测试集中的乘客是否遇难。

人力资源分析数据集汇聚了对大量员工的信息数据统计，包括企业因素（如部门）、员工行为相关因素（如参与过项目数、每月工作时长、薪资水平等）、以及工作相关因素（如绩效评估、工伤事故），这些因素都有很好的分析价值。1 satisfaction_level Float 员工满意程度：0-不满意，1-满意 2 last_evaluation Float 国家 3 number_project Integer 在职期间完成的项目数量 4 average_montly_hours Integer 每月平均工作时长（hr） 5 time_spend_company Integer 工龄（年） 6 work_accident Integer 是否有工伤：0-没有，1-有 7 left Integer 是否离职：0-在职，1-离职 8 promotion_last_5years Integer 过去5年是否有升职：0-没有，1-有 9 sales String 工作部门 10 salary String 工资的相对等级 基于证书 CC0: Public Domain 发布。

目前的自动驾驶系统由摄像机，激光雷达等传感器，控制器，GPS定位系统，数字地图，算法等多个部件构成，在这里我们重点介绍算法部分，尤其是机器学习技术在其中的应用情

1.Transformer背景介绍 2.Transfromer整体架构 3.Transformer输入部分 4.Transfromer的编码器 5.Transfromer的解码器 6.Transformer输出部分 7.Transfromer其他部分 1.GPT-1 和 Bert 2.GPT-2 3.GPT-3 Transformer在深度学习环境下背景： 17年自Attention is all you need提出后，开始在NLP（自然语言处理）领域大放异彩 20年后，开始在CV领域发光，到现在基本一统天下了 其在NLP和CV领域下的许多分类、分割、检测等任务下均刷榜 总结一下Transformer模型。 从论文本身来看，其最大的创新在于提出的注意力机制，即多头注意力层，并嵌入到一个模块化可堆叠的模型结构中。一开始Transformer被用于机器翻译，但它也能够用在几乎所有的NLP任务上。自它之后，整个深度学习重心开始转向NLP方面。 4..InstructGPT和ChatGPT 1.VIT 2.Clip与DallE-1 3.DiffusionModel和DallE-2

MegEngine 是一个快速、可拓展、易于使用且支持自动求导的深度学习框架，具备训练推理一体、超低硬件门槛和全平台高效推理 3 大核心优势，可帮助企业与开发者大幅节省产品从实验室原型到工业部署的流程，真正实现小时级的转化能力。作为旷视新一代 AI 生产力平台 Brain++的最核心组件，MegEngine 在 2020 年 3月正式向全球开发者开源。

为了解决杋器伦理决策困境，分析智能杋器伦理决策设计的硏究现状，对杌器伦理决策设计方法进行分类总结。对基于规则推理和基于神经科学不同的伦理决策设计实现方式及优缺点进行了对比分析，并对现阶段无人驾驶伦理决策硏究现状进行了归纳分析，最后总结了现阶段机器伦理决策的硏究水平。基于上述分析研究，总结得岀了解决机器伦理决策困境的技术难点有：机器伦理道徳地位的确立、普适机器伦理决策、机器伦理决策评估。提出了未来研究方向：将人类道徳规范应用到机器伦理决策设计中，运用机器学习实现伦理决策设计，利用法律及行业标准规范来实现杋器伦理决策设计。为机器伦理决策及无亼驾驶伦理决策的设计提供参考。

机器学习 深度学习 人工智能代码（python）用SVM实现人脸识别 附带结果