深度学习

美国麻省理工学院研究人员开发出光深度学习技术，可降低设备数据传输延迟的影响。这种技术将运行机器学习模型的内存密集型步骤转移到中央服务器。

美国华盛顿大学研究人员开发出一种深度学习软件Omnipose，其能帮助解决在显微镜图像中识别各种微小细菌的挑战。研究结果发表在17日的《自然·方法学》杂志上。

美国能源部橡树岭国家实验室(Oak Ridge National Laboratory)的研究人员开发出一个深度学习框架，可显著提高3D打印部件的CT扫描速度和扫描结果准确性。

虽然近年来深度学习解决方案取得了很大的进展，但对大型标记数据集的要求仍然限制了它们在某些领域的实际应用。这个问题对于那些连无标签数据都是有限资源的领域，如军事领域的解决方案尤为突出。合成数据，或人工生成的数据，最近作为这一问题的潜在解决方案引起了关注。

本课程关注深度学习和表征学习的最新技术，重点是有监督和无监督的深度学习、嵌入方法、度量学习、卷积和递归网络，并应用于计算机视觉、自然语言理解和语音识别。先决条件包括： DS-GA 1001 数据科学入门 或研究生级别的机器学习课程。

一项新的研究提出了一种基于深度神经网络的前向设计方法，可以有效地搜索远远超出初始训练集领域的优质材料。这种方法通过使用主动转移学习和数据增强方法逐步更新神经网络来补偿神经网络在未知域上的弱预测能力。

深度学习是机器学习的一种，通常指基于表示学习的深度神经网络，如基于卷积神经层构建的卷积神经网络、基于递归神经层构建的递归神经网络等。它适合用来发现海量高维数据背后的复杂模式。近十年来，随着计算机算力的大幅提升，深度学习在图像识别、自然语言处理等领域取得了众多成果，其中可以捕捉数据局部特征的卷积神经网络已被广泛应用于组学序列数据分析、生物影像处理等多个生命科学相关领域。

深度学习是一个能源密集型领域，它的应用受到了限制。但如果这些模型能够以更高的能源效率来运行呢？这是许多研究人员提出的问题，而IBM的一个新团队可能已经找到了答案。