知道创宇 IA实验室
尽管人工智能依靠深度学习和机器学习技术的进步取得了巨大的进展，例如，AlphaGo通过自我强化学习击败了人类顶尖的围棋选手，但人工智能在很多方面，如语言理解、视觉场景理解、决策分析等，仍然举步维艰。一个关键的问题就是，机器必须要掌握大量的知识，特别是常识知识才能实现真正类人的智能。这也说明当前随着大数据红利的消失殆尽，以深度学习为代表的感知智能水平日益接近其“天花板”，而以知识为中心的认知智能将是下一代人工智能技术的关键方向。自从谷歌收购 Freebase 在 2012 年推出知识图谱(Knowledge Graph)后，知识图谱在知识工程、专家系统、逻辑推理的人工智能技术上受到了推崇，行业巨头和创业公司都在建立与自己行业相关的行业知识图谱。
本文将结合认知心理学来谈谈知识与认知智能的一些思考，试着理清
知道创宇IA-Lab 岳永鹏
机器学习模型代码优化是为了获得更高效（时间更少、存储更少、计算规模更大）执行的机器指令和具有更强泛化能力的模型，获得更高效执行的机器指令可以采用多核和高频的CPU计算，以及采用并行计算和向量化计算。而获得具有更强泛化能力的模型不仅仅与选择的模型有关，还与标注数据的数量和质量有关。而数据标注需要大量标注人员从事重复而枯燥的工作，这也必然会增加成本。
本文将介绍主动学习（Active Learning）以及主动学习结合Google今年发布的流体标注（Fluid Annotation）和BERT（Bidirectional Encoder Representation from Transformers）对加速机器学习有什么启示。
知道创宇IA-Lab 岳永鹏
目前，在NLP任务处理中，Python支持英文处理的开源包有NLTK、Scapy、StanfordCoreNLP、GATE、OPenNLP，支持中文处理的开源工具包有Jieba、ICTCLAS、THU LAC、HIT LTP，但是这些工具大部分仅对特定类型的语言提供支持。本文将介绍功能强大的支持Pipeline方式的多语言处理Python工具包:polyglot。该项目最早是由AboSamoor在2015年3月16日在GitHub上开源的项目，已经在Github收集star 1021个。
知道创宇IA-Lab 岳永鹏
TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强有力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。目前TensorFlow™ 有适用于CPU（TensorFlow CPU）和GPU（TensorFlow GPU）的两种安装选择。 有区别于通过pip安装TensorFlow CPU版本，安装TensorFlow GPU还需要更多的底层依赖。
| $ pip install tensorflow==1.12
$ pip install tensorflow-gpu==1.12 |
TensorFlow GPU主要是通过NVIDIA提供的CUDA和cuDNN存取GPU,从而实现比CPU快数十倍的深度学习训练加速能力。本文主要介绍TensorFlow GPU版本的安装和使用。