全球人工智能与机器学习大会PPT

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习 快速推进中的机器学习人工智能前沿 人工智能机器学习(1)全文共61页,当前为第1页。 提纲 深度学习(DL)及其应用前沿 DL在CV领域应用的启示 关键算法介绍 Perceptron及学习算法 MLP及其BP算法 Auto-Encoder CNN及其主要变种 关于DL的思考与讨论 2 人工智能机器学习(1)全文共61页,当前为第2页。 机器学习的基本任务 3 Class label (Classification) Vector (Estimation) {dog, cat, horse,, …} Object recognition Super resolution Low-resolution image High-resolution image 人工智能机器学习(1)全文共61页,当前为第3页。 源起——生物神经系统的启示 神经元之间通过突触(synapse)连接 层级感受野,学习使突触连接增强或变弱甚至消失 4 Hubel, D. H. & Wiesel, T. N. (1962) 人工智能机器学习(1)全文共61页,当前为第4页。 第一代神经网络 感知机(Perceptrons)模型[Rosenblatt, 1957] 二类分类,单个神经元的功能(输入输出关系) = f为激活函数,其中: = =1 = =0 5 Frank Rosenblatt(1957), The Perceptron--a perceiving and recognizing automaton. Report 85-460-1, Cornell Aeronautical Laboratory. 人工智能机器学习(1)全文共61页,当前为第5页。 第一代神经网络 单层感知机(Perceptrons)模型的局限性 Minsky & Papert的专著Perceptron(1969) 只能对线性可分的模式进行分类 解决不了异或问题 几乎宣判了这类模型的死刑,导致了随后多年NN研究的低潮 6 人工智能机器学习(1)全文共61页,当前为第6页。 2nd Generation Neural Networks 多层感知机(Multi-layer Perceptron, MLP) 超过1层的hidden layers(正确输出未知的层) BP算法 [Rumelhart et al., 1986] Compute error signal; Then, back-propagate error signal to get derivatives for learning 7 David E. Rumelhart,, Geoffrey E. Hinton, and Ronald J. Williams. (Oct.1986). "Learning representations by back-propagating errors". Nature 323 (6088): 533–536 Ʃ Ʃ Ʃ Ʃ Ʃ Ʃ 1 2 3 1 2 人工智能机器学习(1)全文共61页,当前为第7页。 Error Backpropagation W is the parameter of the network; J is the objective function Feedforward operation Back error propagation David E. Rumelhart,, Geoffrey E. Hinton, and Ronald J. Williams. (Oct.1986). "Learning representations by back-propagating errors". Nature 323 (6088): 533–536 Output layer Hidden layers Input layer Target values 人工智能机器学习(1)全文共61页,当前为第8页。 2nd Generation Neural Networks 理论上多层好 两层权重即可逼近任何连续函数映射 遗憾的是,训练困难 It requires labeled training data Almost all data is unlabeled. The learning time does not scale well It is very slow in networks with multiple hidden layers. It can get stuck in poor local optima These are often quite good, but for deep nets they are far
['%E7%AE%80%E5%8C%96 K8s %E5%BC%80%E5%8F%91%EF%BC%81OAM %E4%B8%8E DAPR %E4%BA%91%E5%8E%9F%E7%94%9F%E5%BA%94%E7%94%A8%E7%9A%84%E5%85%A8%E6%B5%81%E7%A8%8B%E7%A0%94%E5%8F%91%E5%AE%9E%E6%88%98.pdf', 'Azure Spring Cloud:在 Kubernetes 上运行 spring boot 微服务的新方式.pdf', 'Azure Synapse在游戏数据分析中的实践.pdf', 'Azure 无服务器与微服务治理模式.pdf', 'DevOps%E4%B8%8EGitHub%E5%9C%A8%E4%BC%81%E4%B8%9A%E4%B8%AD%E7%9A%84%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5.pdf', 'Microsoft Teams as Platform:围绕 Teams 的平台化战略与实践.pdf', 'Microsoft Teams 一站式会议解决方案.pdf', 'Power BI 赋能企业财务转型.pdf', 'PowerApps 低代码开发平台赋能员工数字化转型最后一公里.pdf', 'SAP+Azure,助力业务优化革新.pdf', '万科智慧地产背后的技术实践.pdf', '下一代智能数仓助力企业数字化转型.pdf', '中台再思考,微软如何构建现代化数据平台?.pdf', '为什么 VS Code 如此流行?.pdf', '云平台助力企业创新——基于 Linux 的云上最佳实践.pdf', '云平台安全响应机.pdf', '互联,预测,认知与创新—— Dynamics 365 助力智能供应链转型.pdf', '从 IoT 到 AIoT:智慧农业重装上阵.pdf', '从AI在工业中的最佳实践到制造业升级之路.pdf', '企业上云现代化的历程.pdf', '企业内部风险与合规管理.pdf', '企业级低代码开发平台的市场趋势与PowerApps中国市场策略.pdf', '使业务跟上发展的步伐——加速应用程序现代化.pdf', '使用 Azure IoT Plug and Play 快速构建物联网方案.pdf', '使用MLOps进行机器学习生命周期管理.pdf', '侵略如火,不动如山——微软如何通过“零信任”守护企业安全.pdf', '全媒体大数据赋能企业数字化转型.pdf', '后疫情时代的零售数字化转型.pdf', '多渠道触点智能客服技术架构及混合现实现场服务演示.pdf', '如何利用开源数据库实现数据现代化.pdf', '如何实现云计算网络的纵深防御体系.pdf', '如何提升Azure云平台的隐私与环境治理.pdf', '如何通过 SDL 和 SecDevOps 实现软件及应用的原生安全.pdf', '微软”Power Platform“全民低代码开发”灌注企业创新强大生命力.pdf', '微软云AI平台助力开发者快速构建计算机视觉应用.pdf', '微软混合现实及 HoloLens 2 赋能工业领域数字化转型.pdf', '数字化时代企业的IT转型.pdf', '数据防泄露,基于 Microsoft 信息保护和威胁防护的全流程实战.pdf', '智能、安全、合规:围绕 Microsoft Teams 构建未来云协作平台.pdf', '机器人即服务%28RaaS%29加速物流智能化转型.pdf', '洞察威胁,全面保护——Microsoft Threat Protection 侦测调查的威力.pdf', '疫后再谈数字化转型对我们的启示.pdf', '疫后反思:借助 Microsoft 365 重塑企业智能办公体系.pdf', '知识产业流程自动化的技术跃迁.pdf', '行业上云实践和云上运维体系.pdf', '让数据产生价值,基于数据湖的大数据平台建设.pdf', '谈转型 - 微软数据与人工智能服务赋能设备制造业的经验.pdf', '通过智能身份和访问管理,保护企业安全.pdf']
2020人工智能机器学习创新峰会PPT汇总,24个专题共73份资料。供大家学习参考。 一、测试新趋势 业务数据监控从0-1脱敏 AI在游戏数值与平衡性分析中的应用 微众研发效能改进之数据度量体系 敏捷测试团队转型实践 二、大规模机器学习算法 快速深度学习训练优化算法 三、高效运维 构建全链路数据度量体系、实现DevOps数据驱动闭环 既快又好 DevOps为小红书全员质量保障赋能 浙江移动AIOpsDev运维转型实践-脱敏版 四、工业4.0 AI赋能医药工业发展案例 五、机器学习框架 Volcano加速AI云原生迁移之路 基于分布式机器学习的通信网络资源协同优化和分配 如何做智能边缘计算 六、计算机视觉 深度学习Depth预测--在2d-to-3d项目中的应用 PaddleOCR产业实践之路:如何打造8.6M超轻量模型,一条龙解决训练部署问题 视觉问答与对话系统的新技术进展 视觉技术赋能高效淘宝素材质量巡检 七、架构演进 边缘计算的缘起、价值和实践 AI人脸识别应用技术方案选型与架构落地 爱奇艺 K8S GPU 共享虚拟化实践和优化 菜鸟运力平台架构演进 八、流式计算 美团点评实时计算平台 小米实时计算平台构建 超大规模 Flink 调度优化实践 九、落地"大中台"战略 有赞数据中台降本治理 演进式的大规模业务中台体系落地实践 京东B2B中台化实践A2M 十、企业级大数据架构演进 基于阿里云数据湖分析服务DLA快速构建数据湖解决方案 Delta Lake在实时数仓中的应用实践 滴滴数据平台建设实践 美图PB级大数据基础架构升级之路 十一、区块链 新基建下可信区块链网络建设 基于区块链的药品溯源体系建设 区块链+电子合同 确保效力 放飞效率 千里之堤溃于蚁穴 十二、数据库的未来 PB级结构化日志数据的高效处理 TBase多中心多活应用实践 使用 TiDB 列存引擎进行实时数据分析 十三、图神经网络、知识图谱 知识图谱在内容安全中的实践应用 百度事件图谱技术与应用 华为云知识图谱平台技术及案例分享 知识图谱在腾讯AI医疗的应用实践-脱敏版 十四、推荐系统 多模态内容理解在推荐系统的应用 小红书推荐系统的架构演进 知乎搜索排序模型实践 十五、微服务的2.0时代 如何优雅的步入微服务2.0时代(脱敏版) 微服务之后,分层架构该如何演进 微服务网关(2) 十六、云原生构建之路 从0到1构建云原生智能金融电商-脱敏版 Tars与k8s如何结合,助力阅文海外业务 云原生应用性能优化之道 Dubbo 基于 MOSN 在 Service Mesh 场景下的落地实践-曹春晖 十七、智慧金融 智慧金融的新基础设施-数据中台-A2M 自然语言处理在金融实时事件监测和财务快讯生成中的应用 联邦学习在金融安全领域的研究与应用 人工智能Fairness在金融行业的研究:基于Pipeline的方法 十八、智能数据分析 闲鱼纳米镜--人人都是数据分析师 大数据分析系统在游戏领域的实践 十九、智能语音 智能语音交互 面向自然交互的多模态人机交互解决方案 二十、AI基础设施建设 飞桨开源模型库与行业应用 基于飞桨的深度学习全流程开发实战 NLP定制化训练实践1.3 二十一、AIOps AItest 百度AIOps解决方案及行业落地案例--脱敏 邱化峰-使用AI从业务测试走向业务验证 面向人工智能的测试体系建设 - 脱敏 二十二、FinTech 恒生银行DevOps实践和探索 数字化转型:从内部一体走向内外一体 基于区块链的隐私支付分析与比较 二十三、IOT 数字化转型升级 AIoT在工业水处理中的应用和实践及对永续发展的意义 二十四、NLP 阿里小蜜DeepQA算法平台化大规模提效实践 多模态内容生成在京东商品营销中的探索与实践

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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