EMNLP和CoNLL大會堪稱自然語言處理（NLP）領域的年度盛宴。 每年，全球最頂尖的NLP研究者們會在這兩個大會上展示最前沿的NLP科研成果。然而，動輒上千篇的論文卻令很多關注NLP領域最新動態

背景介紹 人力資源行業其實是做關於人的決策的資料密集型行業，其中的傳統資料就包括簡歷、JD、面試評價、績效等。隨著時代和技術的發展，對資料的處理已經從簡單人工處理進入到了人工智慧技術的應用，而知識圖譜則能把

京東資料團隊曾經出了一片關於對話系統的論文《A Survey on Dialogue Systems:Recent Advances and New Frontiers（智慧對話系統調查：前沿與進展）》，全文引

繼續分享如何設計圖形識別的神經網路結構。在卷積神經網路CNN中，決定某一層輸出結果中一個元素所對應的輸入層的區域大小，被稱作感受野receptive field。感受野用來表示網路內部的不同神經元對原影象的感受

過擬合和欠擬合是模型訓練過程中經常出現的問題，兩種情況正好相反，現將兩者的定義及如何防止進行簡要總結。 1 過擬合 1.1 定義 是指模型對於訓練資料擬合呈現過當的情況，反映到評估指標上就是模型在訓

前言 這道題當時沒有隊伍解出來，我當時想是有更多的步驟在圖裡面，tensorboard檢測不出來，或者那些其餘的操作有影響，當時有個提示是並非所有節點都在圖裡，最後又找了一遍pbtext的文字，看

0x00、簡介 對於攻擊者來說，在收集目標資料的過程當中（基礎設施掃描、踩點、傳遞惡意軟體），很容易被安全分析師發現。機器學習在防禦領域的應用不僅增加了攻擊者的成本，而且極大地限制了技術的使用壽命。其實攻擊

作為部落格文章的處女秀，我將簡要介紹一下我的研究領域。從現在起，我將之命名為“人體運動軌跡的人工智慧動畫模擬”（Physically-Based Animation ，下文簡稱PBA）。 譯註： 這篇文

如何識別手寫數字呢，我們 28 * 28 矩陣表示作為輸入，輸出是一個 0 - 9 中的一個數字。今天就這個課題給大家介紹一下什麼是神經網路。我們看一下識別 8 的過程， 8 是由兩個圈 o組成的，所以我們需要

本次分享也是我個人通過學習一個國外的教程而總結的，在此向作者表示感謝！我們通過以小見大形式來進行分析。一切先從簡單或特例入手。然後在此基礎上延伸和深入。 四個畫素的圖

本專案使用卷積神經網路識別字符型圖片驗證碼，其基於 TensorFlow 框架。它封裝了非常通用的校驗、訓練、驗證、識別和呼叫 API，極大地減低了識別字符型驗證碼花費的時間和精力。 專案地址： htt

之前的文章介紹了，我可以只使用 Numpy 來建立神經網路。這項挑戰性工作極大地加深了我對神經網路內部執行流程的理解，還使我意識到影響神經網表現的因素有很多。精選的網路架構、合理的超引數，甚至準確的引

這篇 TargetedDropout論文接受為 NIPS/NeurIPS 2018 關於緊湊神經網路的 Workshop，該研討會關注構建緊湊和高效的神經網路表徵。具體而言，其主要會討論剪枝、量化和低秩近似等

3. 程式化噪聲方法 該文章提出一種利用程式化噪聲來生成對抗樣本的方法, 所提出的方法和那些通過梯度不斷修改以至於到達分類器的邊界的方法不一樣, 上述方法需要對目標的模型有一定的瞭解. 使用一類現實和自

論文標題：An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to S