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！本速查表是《数据科学家学习路线图》，作者与硅谷多家顶级科技公司的高级数据科学家、数据科学经理们进行了交谈，并从这些对话中总结了经验，绘制了这张路线图。每个有兴趣进入数据科学领域的人，可以根据这张路线图有目标和重点地进行学习。

这是 ShowMeAI 持续分享的速查表系列！《2022年人工智能专家成长路线图》是一组图表，展示了成为数据科学、机器学习工程师或人工智能专家的成长路径，包含数据科学路线图、机器学习路线图、深度学习路线图、数据工程师路线图、大数据工程师路线图等 7 个主题，可视化效果非常酷炫！

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书对不确定条件下的决策算法作了广泛的介绍，内容涵盖了与决策有关的各种主题，介绍了基本的数学问题公式和解决这些问题的算法。 ◉ 目录： 第一部分：概率推理 - 表征 - 推理 - 参数学习 - 结构学习 - 简单决策 第二部分：顺序问题 - 精确解法 - 近似值函数 - 在线规划 - 政策搜索 - 政策梯度估计 - 政策梯度优化 - 角色批判方法 - 政策验证 第三部分：模型的不确定性 - 探索和利用 - 基于模型的方法 - 无模型的方法 - 模仿学习 第四部分：状态的不确定性 - 信念 - 准确的信念状态规划 - 离线信念状态规划 - 在线信念状态规划 - 控制器抽象 第五部分：多Agent系统 - 多Agent推理 - 序列问题 - 状态的不确定性 - 协作代理

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『计算机视觉和深度学习精选专题』主题（其他部分的下载链接见评论区），包含以下部分： Object Detection / Segmentation（目标检测，目标分割） Generative Modeling: GANS and VAEs（生成模型） Data Imbalance（数据不平衡） Few-Shot Learning Explainable AI（可解释人工智能） Security / Adversarial Attacks Efficient Deep Learning（高效深度学习） 3D Deep Learning（3D深度学习） Full Stack Deep Learning（全栈深度学习） Machine Learning Implementation（机器学习实现）

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『计算机视觉和深度学习基础』主题（其他部分的下载链接见评论区），包含以下部分： Low Level / Classical Techniques in Vision And Image Processing（视觉和图像处理中的低层次/经典技术） Deep Learning Fundamentals（深度学习基础） Seminal & Foundational Topics in Deep Learning（深度学习中的标志性和基础性课题） Neural Networks Designed for Sequential Data （为序列数据设计的神经网络 Transfer Learning（迁移学习） Unsupervised & Self-Supervised Learning（无监督和自我监督的学习）

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『计算机科学』主题（其他部分的下载链接见评论区），包含以下部分： PL Fundamentals（PL基础知识） Data Structures & Algorithms（数据结构和算法） Bit Manipulations（位操作） Time/Space Complexity（时间/空间复杂度）

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：《The Design of Approximation Algorithms》整理自哥本哈根大学同名课程的教学资料。书籍围绕近似算法的几个核心算法技术展开，包括贪婪和局部搜索算法、动态编程、线性和半无限编程以及随机化。资料第一部分的每一章都专门讨论一种算法技术，然后将其应用于几个不同的问题。第二部分重温了这些技术，但对它们进行了更复杂的处理。 ◉ 目录： 贪婪算法和局部搜索 舍入数据和动态编程 线性程序和确定性舍入 线性程序的随机抽样和随机舍入 半定约程序的随机舍入 原始二元法 多路切割问题 随机抽样、优先抽样 心数估计 多数据集的总结 有序数据的总结 乘法权重 在线算法

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。

机器学习和深度学习