阿里巴巴举办全球数学竞赛 助力基础科学杰出人才培养

2018 杭州云栖大会前夕,阿里巴巴宣布在全球范围内发起一场数学比赛,每个人都可以通过官网报名参赛,寻得最优解的20名答题者将获得百万奖学金,同时还将得到顶尖数学家周期性的指导机会。


640?wx_fmt=jpeg


大赛官网:

https://102.alibaba.com/math/index.html


本次比赛分为预选赛、决赛两个赛段。预选赛为贴近实际生活的题目:应用题&建模题&数学基础题,共三题,每题三问,需要提供解题步骤。第一题30分,第二题40分,第三题30分,全部正确解决问题得满分。根据成绩,选择前300名参赛者进入决赛。决赛时间为11月中旬。题目包括以下四个方向:


  • 几何与拓扑:四道题

  • 数论与代数:四道题

  • 方程式:四道题

  • 应用数学与计算数学:四道题


参赛学生可任选其中一个方向完成四道赛题,每题25分,全部正确解决问题的得满分。解题中有一定想法和进展的可得部分分数。

640?wx_fmt=png

同时,阿里为获奖选手准备了百万奖学金,只待兼具数学能力、实际问题解决能力的优秀人才!


为什么要办数学比赛?大家非常熟悉的马老师,前两天也坦白交代了:“数学很重要,我数学其实挺好的,高一那年还是数学课代表。”

 

640?wx_fmt=jpeg


事实上,举办数学比赛的提议也来自于马老师。他在2017年杭州云栖大会上宣布成立达摩院之时就曾说过,达摩院要建立前瞻性的人才体系,以世界级技术推动人类发展。

 

我们希望,这次比赛能够让全社会看到基础科学尤其是数学的价值,即使你真的用不上微积分,也不妨试着去理解数学之美。

 

对了,这次比赛我们还请来了全世界的数学大师,同时阿里自主研发的AI将担任初赛试题辅助阅卷的职责。


640?wx_fmt=jpeg


“数学是知识的工具,亦是其它知识工具的泉源。所有研究顺序和度量的科学均和数学有关。”究竟数学与科技将会碰撞出哪些火花?让我们拭目以待!


640?wx_fmt=png

领略数学之美的同时,这里也要提醒大家:一年一度的杭州云栖大会明日正式揭幕,阿里妹也将全程为你报道跟进,敬请期待哦。


附上最全的干货速览。

明天见!


640?wx_fmt=jpeg


640?wx_fmt=gif

你可能还喜欢

点击下方图片即可阅读


640?wx_fmt=jpeg

2018杭州云栖大会,有哪些科技惊喜?


640?wx_fmt=jpeg

如何量化考核技术人的 KPI?


640?wx_fmt=jpeg

看完这8本算法好书,才算真正懂了 AI



640?wx_fmt=jpeg

关注「阿里技术」

把握前沿技术脉搏

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