Facebook希望发展了解并使用人工智能（AI）的公司社区，以加速该领域的进展。科技领袖Facebook、谷歌、微软和IBM认为人工智能是继移动之后的下一个平台。在谷歌主页的公告去年10月，谷歌（Google）首席执行官桑达•皮查伊（Sundar Pichai）描述了人工智能平台的转变，将Facebook移动第一口号解释为人工智能第一世界。
Facebook的公布其人工智能和机器学习研究，讲在会议和在开源许可证许可其软件，以加快发展和阐明AI。今天，在博客中，Facebook上发布了六个短视频由亚·莱卡，Facebook的人工智能研究小组组长和机器学习先锋，讲述了引进开发商，数据科学家和感兴趣的人最重要的AI主题。
下面链接的视频讲解，讲到最大约在机器学习的话题今天旨在鼓励各级技术感兴趣的人想了解更多信息。
人工智能概论（2分钟，40秒）
如何机的解释可以智能。
机器学习（4分17秒）
机器学习模型的用途与库，比如Tensorflow，火炬或来自Caffe可以与数据，而不是编程，以识别和解释应用程序特定的情况下，如文本，图像和视频进行培训，建立神经网络的运行。神经网络是一个数的简单的由一个计算系统，高度互连的是基于其动态状态响应于外部输入的过程的信息处理单元。
饲喂数据进入模型的通用算法教导无编程的数据进行操作的模式。要训练一个模型，俄语翻译成英文，大样本数据集被送入模式，直到俄罗斯的句子翻译成英文的预测准确的概率是非常高的。同样与识别图像的内容;图像的大量被送入模式，直到图像模型的识别准确率的概率是非常高的。
这是工作经验证明。Facebook用户多语种的朋友可以通过点击阅读翻译外文的职位。谷歌照片的用户可以让谷歌组织基础上通过给应用程序只是谁是照片中的一些信息内容的照片。
梯度下降（2分30秒）
机器学习它的错误中吸取教训。在培训过程中，当神经网络预测不正确或曲解的输入，这是因为有些神经网络处理单元具有不正确的值和算法产生错误的答案。例如，猫的图像被识别为萝卜。所有不正确的处理元件的状态被收集并减少到误差函数，其被施加到校正算法。
处理元素错误可以简化为一个图上的三个数据点，正确的处理元素状态是在图上绘制一条线，使线和数据点之间的差异最小化。误差函数修正了模型的所有误差。错误有更多的数据点，正确的状态比一条线复杂得多，但在概念上是相同的。通过重复这个过程，修正更多的误差，减少了模型的误差，提高了正确预测的精度。
深度学习（1分钟，3秒）
处理元件的多个层添加到神经网络，并且处理元件的多个层的状态被表示为矢量，而不是数据点。深度学习也可以改变模型是如何学习的。
更简单的模型需要标记的数据集来训练。这种训练方法称为监督学习，它使用已分类的数据。例如，一个猫的图像被标记为猫，一个狗的图像被标记为狗，等等。
深度学习，也可以不受监督，这意味着无需人工分类和标签模型获悉。
反向传播（1分钟，42个秒）的
反向传播是梯度下降的应用来校正多层神经网络的错误。
卷积神经网络（1分钟50秒），
卷积神经网络（convnets）的灵感来源于动物的视觉皮层。神经网络可以平铺来理解图像的一部分，句子的一部分，图像中元素位置的变化，或者单词在句子中的位置变化。
这些视频是索引Facebook的工程网站。介绍神经网络和机器学习信息的另一个很好的来源是亚当Geitgey的五部分博客系列，机器学习的乐趣！