『山川异域，风月同天』—— 新冠肺炎疫情牵动着举国上下的心，包括跨象乘云™ 在内，众多高科技企业除了向灾区捐赠物资，配合疫情防控工作，延期复工 / 远程办公的同时，也在积极探索如何利用大数据、新一代人工智能等新技术为『战疫』助力。
此前，跨象乘云™ 发布了《新型冠状病毒肺炎特征分析数据》。另外，OpenKG 联合国内多家科研机构，发布了新冠肺炎开放知识图谱数据集。今天，该数据集进行了 V1.1 版本的更新 ——
月度归档： 2020年2月
吴恩达人工智能系列课程资源
Python 3 经典课程《Think Python 2e》
Python 经典入门课程《Think Python – 像计算机科学家一样思考 Python》第二版中文译本已经正式发布，其中最重要的更新，是课程全面升级为面向 Python 3 编写。毕竟，Python 3 才是 Python 的未来。Python 之父 Guido van Rossum 早就坚决指出，不会再延长 Python 2 的支持协议。更具体一点说，就是到 2020 年时，Python 核心开发团队就会停止对 Python 2.7 的开发、维护工作。而且，他们也早就不再往 2.7 版中添加新特性了。虽然现在很多公司还在使用 2.7，从 Python 2 迁移到 Python 3 的[……]
纯文本快速转换为 Markdown
机器学习从零到一教学视频
日前，Google 推出了一套《机器学习从零到一》系列视频，这个系列视频叫做『Machine Learning: From Zero to Hero with TensorFlow』—— 机器学习: 从零到一学习 TensorFlow)，这一系列基于 2019 年谷歌 I/O 大会上的热门演讲。系列视频共分为四集 ——
TF 1.x 项目到 2.0 升级指南
此前，网上已经有很多关于利用脚本实现 TensorFlow 1.x 项目到 TensorFlow 2.0 升级的指南。实际上，这只是将代码升级到 TensorFlow 2.0 的第一步。但项目代码不会因此具有 2.0 的特点。您的代码仍然可以使用 tf.compat.v1 端点来访问占位符、会话、集合以及 1.x 版本的其他功能。
如果使用 —— tf.compat.v1.disable_v2_behavior ( )，让代码可以在 TensorFlow 2.0 中工作，那么，项目科研人员仍需要处理全局行为变更。
真正需要获得 TensorFlow 2.0 的优势，需要让项目代码成[……]
Excel 演示计算机视觉模型
日前，亚马逊工程师利用简单的 Excel 公式，实现了各种计算机视觉（CV）运算操作，还清楚地解释了核心概念和算法。通过它就能快速实现计算机视觉中的一些算法示例：人脸识别、霍夫变换都不在话下。更重要的是，还不需要任何脚本或者第三方插件。—— 与此前跨象乘云™ 介绍的《EXCEL 演示深度神经网络》一样，对于人工智能专业的师生而言，将能很好的通过熟悉的工具了解计算机视觉背后抽象的逻辑和复杂的原理。
同时，由于 Excel 性能所限，整个项目运行起来比较慢 —— 作者将整个项目分割成一些列的 Excel 文件，利用这些 Excel 文件可以分别实现：项目简介，边缘识别，原理解释，人脸[……]
新型冠状病毒肺炎特征分析数据
『青山一道同云雨，明月何曾是两乡』—— 新冠肺炎疫情牵动着举国上下的心，包括跨象乘云™ 在内，众多高科技企业除了向灾区捐赠物资，配合疫情防控工作，延期复工 / 远程办公的同时，也在积极探索如何利用大数据、新一代人工智能等新技术为『战疫』助力。
2 月 17 日，中国疾病预防控制中心发布迄今最大规模的新冠肺炎流行病学特征分析，其原始数据（COVID-19 特征总表）来自截至 2020 年 2 月 11 日中国内地报告的超过 7 万病例。相关论文发表于《中华流行病学杂志》。截至 2 月 11 日，中国内地共报告 72,314 例病例，其中确诊病例 44,672 例（61.8%），疑似病例 1[……]
NLP 最强模型 – BERT 源码解读
当前，Google 开源的 BERT 已成为公认的自然语言处理（NLP）最佳模型。同时，在《自然语言处理》课程中，跨象乘云™ 设计了《BERT 语句情感分类》工程案例，让人工智能专业以及人工智能技术服务专业师生通过完整的项目实践，充分了解 NLP 技术相关的关键概念与先进的 BERT 模型的技术实现，以及复杂的自然语言处理流程。
近日，公众号《NewBeeNLP》发布了《BERT源码分析》（原创作者：高开远），对 BERT 整体模型，BERT 数据处理流程，以及预训练任务做了进一步详尽的分析。供各位师生参考。[……]
NeuralHash：对抗性隐形签名水印
Neuralhash 是通过对图像进行微扰，以视觉方式编码作者的独特签名的一个开源项目框架。项目的安全水印方案代表了在保护内容所有权和防止 Internet 上的盗版方面的重大进步。项目主要做法，是可以在解码器网络（将输入图像映射到 32 位签名）上使用对抗性示例技术来生成将其解码为所需签名的扰动。
项目提出了一种在期望最大化（EM）框架下训练解码器网络的方法，以学习对攻击的威胁空间更具弹性的特征转换，交替使用网络对图像进行编码，然后更新网络的权重以使其对攻击更健壮。
项目 GitHub 地址[……]