【AI每日播报】科大讯飞新品发布 MXNet携手亚马逊AWS

今日精选四篇好文，包括昨日科大讯飞创始人刘庆峰关于人工智能的主题演讲、《程序员》杂志原创文章——兴趣Feed技术架构与实现、MXNet 被亚马逊 AWS 选为官方深度学习平台的一些思考、以及对贝叶斯推理的多角度解读。详情请看下文【点击题目即可进入原文】

刘庆峰——科大讯飞人工智能的过去和未来

---

@雷锋网

2016 年 11 月 23 日，科大讯飞举行了年度发布会，董事长刘庆峰的做了主题演讲，总结人工智能的过去和未来，详细讲述了科大讯飞这几年的成果。

刘庆峰表示：“这一年来，人工智能在互联网搜索的热度指数，一直居高不下，一直处于热点，处于风口浪尖之上。

到今天这个时间点，也会有人在讨论人工智能第三次浪潮究竟是什么？第三次浪潮是否也会像前两次一样，很快也会大潮退去？是不是今天我们对人工智能未来的预测过于乐观了？这是一个真正的产业大潮还是概念的泡沫？

要解答这个话题，我想首先要有科学的精神：用理性的思维来真正看今天的技术，到底可以达到什么样一个阶段？而不是用预言家的角度，非常感性地来做武断的判断……”详文

流动的推荐系统——兴趣Feed技术架构与实现

---

@CSDN

本文为《程序员》原创文章。作者：陈开江@刑无刀。金融科技公司天农科技CTO，曾任新浪微博资深推荐算法工程师，考拉FM算法主管，先后负责微博反垃圾、基础数据挖掘、智能客服平台、个性化推荐等产品的后端算法研发，为考拉FM从零构建了个性化音频推荐系统。

我们经常谈论的推荐系统（Recommender System），从形式上看是比较“静态”的推荐，通常位于网页主要信息的周边，比如电商网站的“看了又看”、“买了又买”。这种推荐系统在大多数场景下无法独立撑起一款产品。

依据维基百科Recommender System词条的定义：“推荐系统是信息过滤系统的子类，专门用于预测用户对一个项目偏好或者评分进行预测”，则兴趣Feed也是一种推荐系统：它预测用户对社交网络中相邻节点动态内容喜好程度，并根据喜好程度决定这些动态内容的展示顺序。

Feed是一种信息流，就是我们看到的“动态”、“新鲜事”。当用户与一些内容源建立了连接（如关注、赞、收藏等）之后，这些内容源产生的新动作，就会源源不断地通过连接流向用户，不同内容源产生的动态被聚合后呈现在用户面前，就是Feed……详文

如何评价 MXNet 被亚马逊 AWS 选为官方深度学习平台

---

@雷锋网

昨日，亚马逊 CTO Werner Vogels 在博文中写到 MXNet 被 AWS 正式选择成为其云计算的官方深度学习平台。Vogels 表示：

AWS将会为用户提供软件代码、文档，并且将会投入力量在 MXNet 的研发，以及企业级生态上。

MXNet 是一个全功能、灵活且高扩展性的深度学习框架，支持深度学习模型中的卷积神经网络和长期短期记忆网络。由学术界发起，由华盛顿大学和卡内基梅隆大学的研究人员联合发起。

其实 AWS 此前也支持过其他的深度学习框架，如 TensorFlow、CNTK、Caffe、Torch，但这次 MXNet 直接被选为官方平台，成为正室。TensorFlow 和 CNTK 框架分别由谷歌和微软发起，而 Caffe 则是来自加州大学伯克利分校的伯克利人工智能研究实验室。

针对 MXNet 被 Amazon AWS 选为官方深度学习平台这一事项，业内人士发表了自己的看法……详文

多重角度解读：贝叶斯推理是怎么工作的

---

@阿里云云栖社区

本文首先介绍了贝叶斯的起源，并利用简单的例子生动形象地讲解了贝叶斯定理是如何工作的，解释了其基本原理以及公式的物理含义。

贝叶斯推理是一种从数据中获得更清晰预测的方法，当没有足够多想要的数据时，并想获得这些数据全部的预测强度时，贝叶斯推理是特别有用的。

虽然贝叶斯推理有时候被描述得有些让人敬畏，但它既不是魔法也不神秘。尽管在数学公式上可以获得详细的解释，但其背后的概念是完全可以获得的。总之，贝叶斯推理允许你从数据中通过折叠已经知道的答案来作出更强的结论。

贝叶斯推论是基于托马斯·贝叶斯的想法，托马斯·贝叶斯是一位不墨守成规的长老会牧师，他写过两本书，一本是关于神学，另外一本是关于概率。他的作品包括现在著名的贝叶斯定理的原始形式，已经被应用到推理、基于教育的猜测技术术语等问题上。贝叶斯思想的流行源自另外一位牧师——理查德·普莱斯。他看到贝叶斯定理的意义后、将其提炼并出版，贝叶斯推理更加准确和历史的叫法是贝叶斯定理贝叶斯-普莱斯规则……详文

---

130+位讲师，16大分论坛，中国科学院院士陈润生、滴滴出行高级副总裁章文嵩、联想集团高级副总裁兼CTO芮勇、上交所前总工程师白硕等专家将亲临2016中国大数据技术大会，票价折扣即将结束，预购从速。

---

想要更多干货？请关注CSDN人工智能公众号AI_Thinker。