美国视频和广告效果评估公司SPARK Neuro获1350万美元A轮融资

640?wx_fmt=jpeg

导读

本轮融资中演员兼制片人Will Smith以及媒体和娱乐业巨头Michael Eisner's Tornante参与了跟投,公司将会利用这笔资金进一步满足现有客户的需求。

编译丨金又南

官网 | www.datayuan.cn

640?wx_fmt=jpeg

今日头条丨一点资讯丨腾讯丨搜狐丨网易丨凤凰丨阿里UC大鱼丨新浪微博丨新浪看点丨百度百家丨博客中国丨趣头条丨腾讯云·云+社区

640?wx_fmt=png

SPARK Neuro位于美国纽约,是一家广告效果和娱乐节目观众参与度评估公司。北京时间9日,公司宣布已获得由Thiel Capital领投的1350万美元A轮融资,其他跟投者包括演员兼制片人Will Smith以及媒体和娱乐业巨头Michael Eisner's Tornante公司。


广告商、网络和电影制片公司正在创造大量的视频内容,而竞争的加剧使得他们比以往任何时候都需要了解自己制作的内容如何与消费者和观众产生共鸣。


SPARK Neuro通过一款脑电图(EEG)耳机来评估大脑中的电子模式,从而评估广告、电影、预告片和其他创意内容效果,通过测量大脑和其他神经系统活动,以确切了解人们何时与内容产生共鸣,何时未产生共鸣。


SPARK Neuro首席执行官Spencer Gerrol表示:“现在,广告商和视频制作公司对内容评估的需求越来越大,但传统的调查模式充满了偏见和不完整的数据,其结果非常不准确。在SPARK Neuro,我们为品牌、工作室和其他内容创作者带来无与伦比的能力,以了解他们的内容是否会成功,我们很自豪能够获得行业资深人士Michael Eisner和Will Smith的支持。”


SPARK Neuro将利用这笔资金进一步满足现有客户的需求,很多客户来自世界100强,比如安海斯 - 布希、Clorox、联邦快递、富达、通用汽车、Hulu、捷蓝航空、Mars、NBC、派拉蒙、State Farm、沃尔玛等。


SPARK Neuro的方法测量了观众的大脑活动、皮肤电活动、面部表情和眼动追踪,从而衡量消费者是否与内容产生了共鸣。公司的专有算法能够分析收集每秒超过6000个数据点的数据,以确定一个人如何对所呈现的内容做出情绪反应。


来源:数据猿


以上课程限25席位,欲购从速

1-10名,8折


团队报名,7折

3人以上成团,人数上限5人


咨询与报名请添加微信或直接扫以下二维码

(ID:ifenxi419)

640?wx_fmt=jpeg

扫二维码关注数据猿

640?wx_fmt=jpeg
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值