MLNLP社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。
(资料图)
社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。
转载自 | 知乎
作者 |煎饼果子不要果子
掉在大数据的坑里我们怎么爬出来？
我们有深度！
深度学习七十年
BP 解决非线性异或问题
致敬 1974 Werbos
再发现：Hinton 三巨头提出使用 BP 算法进行表征学习
卷积神经网络雏形 1980 年
再次致敬
思考：深度学习从哪来？又要到哪里去？
神经网络用极多个神经元连接，模拟小脑计算运作的过程
完全是靠学习和训练吗？纯数据驱动
那先验知识在其中有什么用呢？
创新的道路在哪里？
黑盒越来越大，怎么解释呢？解释问题、过程还是结果？
1 有哪些深度学习网络体现了这些功能呢
2 再有大数据你就是小样本，嘿，不要被淹死
3 人脑是智慧 高度非线性，局部 BP 是需要的，但全局更不能少
4 sigmoid 毫无这些特性，表征就不好怎么能学好呢
5 剪枝 & NAS 三个性质怎么解释
6 找到正确的优化的解
7 只有感知够吗，认知起了什么作用？推理、决策
三大过程
Universal Approximation
输入未知，非线性怎么逼近
表征都没出来怎么去学习特征呢
表征理论不是单纯累加模型层数
表征是开始，所以很重要
模型得匹配对
捷径和收敛速度分不开，100 张 V100 能放在火箭上吗
每个变量都是有物理意义的，要作为物理过程计算，brain-inspiring，而不是一个单纯的计算机过程
能量、熵、功率能解释通吗
传统方程探究的时候会研究它们的量纲是否一致，但现在计算机模型做到了吗
该页被特别推荐！
脑科学领域 20 年最新成果，Nature Science，有多少在深度学习模型上体现了
工作1：物理机制结合，Wishart 分布
工作2：对方向奇异性表征探究
工作3: Contourl Net 及其复数域
机器学习和物理学的关联 Physical-Informed / Physical-Inspired
从此开始，拍照已经赶不上翻页的速度：
哈密顿量、拉格朗日量、牛顿莱布尼茨公式
物理信息神经网络
电磁学启发
电路启发：基于霍夫定律
光学神经网络：光电神经网络、全光神经网络
热力学影响
熵原理：求解最优解启示（退火算法）
量子力学：结合了不确定性
进化角度：群体思想、自然免疫、进化计算
体会：NAS 在免疫和进化有很好的潜力，非常有用
超参数优化问题
元学习问题
多思考！
中国人任重道远
技术交流群邀请函△长按添加小助手扫描二维码添加小助手微信
请备注：姓名-学校/公司-研究方向（如：小张-哈工大-对话系统）即可申请加入自然语言处理/Pytorch等技术交流群
