达观数据创始人『陈运文』丨 在“智能文本”的世界里 创新创造永无止境

点击上方 “Ai时速”  智慧赢未来



陈运文


 

写在前面





社会很浮躁,我们一定要静下心,专注做一件事情,咬定一个行业坚持做下去。



运文其人

纯粹、完美、无瑕的儒士,

复旦大学计算机博士、杰出毕业生,ACM KDD-Cup冠军,

先后履职百度、盛大创新院、腾讯文学,

15年创立[达观数据]至今,带领团队每年持续刷新成就:

  • 入选联想之星第九期学员;

  • 成为“微软加速器.上海”二期成员;

  • 获真格基领投的1000万天使轮投资

  • 获软硬赛富领投的5000万A轮融资

  • ……

「达观数据」 

“达观”通达乐观,为企业提供文本挖掘、知识图谱、个性化推荐、垂直搜索等人工智能服务。

目前为止,达观数据在算法方面已经申请了30项国家发明专利,先后获创青春中国互联网大赛、ACM KDD-Cup等国内外大赛并多次捧回奖杯。




1

被数据深深吸引:从数据科学到智能文本,为业务赋能

“在100毫秒内从几百亿条数据中挑选出优质结果,我被神奇的数据处理过程深深吸引了。”

在复旦读博期间,我十分喜欢研究机器学习算法,多次在国际期刊上发表研究成果。但是,比起在学校,工业界的大数据研究挑战更大,在100毫秒内从几百亿条数据中挑选出优质结果,我被神奇的数据处理过程深深吸引了临毕业时,选择了拥有海量数据的百度。

后来在盛大创新院,我幸运地遇到了一批计算机领域的牛人,如潘爱民、陆坚博士等,让我更加坚定了走大数据这条路。

创新院鼓励每一个人去创业,去实现自己的梦想,这也是最吸引我的地方:有想法你就去做,有项目你就去孵化。起初觉得“孵化”挺好,后来发现还是需要有场景落地,2012年转到盛大文学负责大数据研究,之后带着这样一群人,参加了国际数据挖掘竞赛KDD Cup。夜以继日的比赛,对算法的不懈追求,让志同道合的我们心靠得更近。



2

智能文本创新永无止境-达观数据

“相比常见的数字数据,文本数据的处理要让机器更能准确理解文字的含义,中文语法句法的复杂和多样也是处理的难点。”

2015年,大数据是一个时髦的概念,但我发现真正落地的大数据非常少,而对文本数据进行挖掘处理就更少了。相比常见的数字数据,文本数据的处理要让机器更能准确理解文字的含义,中文语法句法的复杂和多样也是处理的难点。

另一方面,个人生活的逐渐安逸让自己感到了迷惘,原本的工作也变得没有成就感。环顾四周,早些时候从盛大创新院走出来的朋友,在业内已经闯出了名气:七牛云存储的许式伟,UCloud的季昕华,云知声的黄伟等。早年深埋心底的创业想法又重新冒了出来。

7月,我坚定了创业的决心,我希望自己不断推进达观的算法演进,帮客户解决他们存在的问题,提升他们的经营业绩,将企业内部数据发挥出最大价值。

我们的团队技术氛围非常好,平时会聊聊最新的算法,谈谈那些美国公司、大学发表了哪些新的论文等。在每个季度会议上,大家都会讲讲取得哪些成绩,遇到过什么困难,解决了什么问题……我们还颁发“季度之星”给表现好的员工,大家都挺开心,有一种一家人的感觉。



3

致创业者

“最重要的是坚持!创业会遭遇无数挫折,需要破釜沉舟、背水一战的决心。”

1

  最重要的是坚持!

一万小时定律告诉我们,只要你反复琢磨一件事(或一个行业)一万小时,你就变成专家,你在职场里就很值钱。社会很浮躁,我们一定要静下心,专注做一件事情,咬定一个行业坚持做下去。


2

  创业就是破釜沉舟、背水一战

达观在启动时期,也曾遭遇无数挫折。其中,“人”是最困难的:好不容易找到合适的人,被放鸽子是常有的,甚至说好第二天入职,工作笔记本电脑也买好了,第二天却没来,打电话也关机,当时内心深处的悲凉到现在都让人唏嘘不已。





这是最好的时代,也是最坏的时代!

不容置疑的是,Ai无处不在!

关注「Ai时速」用速度和激情体验Ai时代,

2018丨我们「一起Ai」

 Ai时速 

因着Ai的美好未来:一起PK分享、进化成长!

圈子|机会|进化|创业

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