GE 宣布首届“Predix 星火计划”获奖者

2017 年 11 月 16 日, 中国上海 —— 通用电气(GE)公司今天在 GE 中国科技园举行的“GE 工业互联网科技峰会”上宣布了首届“Predix 星火计划”获奖企业,向四家杰出创业公司及合作伙伴颁发了该奖项,以鼓励更多企业投入工业互联网应用开发,共同拓展工业互联网生态圈。

“Predix 星火计划”面向的主要对象是工业互联网创业公司以及 GE 在工业互联网领域的合作伙伴。GE 鼓励参与的公司基于 Predix 云平台开发适合工业领域的资产绩效管理(APM)延伸应用程序,切实解决中国工业界面临的数字工业转型挑战,并帮助工业界全面提高生产率。

GE 全球高级副总裁、GE 中国总裁兼首席执行官段小缨表示:“通过‘Predix 星火计划’,我们希望吸引更多企业投入到工业互联网应用的开发中来,打造本地数字工业能力,推动 GE 包括发电、航空和医疗等关键垂直工业领域试点项目,培育中国工业互联网生态系统,支持更多本土企业实现数字转型。 ‘Predix 星火计划’的推出表明了 GE 中国对数字化战略的坚定承诺。”

2017 “Predix 星火计划”采用提名邀请,共有 16 家 GE 合作伙伴及创业公司提交了内容涵盖包括能源、医疗、设备制造等领域的工业应用项目方案。最终,北京华瑞特信息技术有限公司、武汉华中思能科技有限公司获得了“合作伙伴奖”,广采网络科技(上海)有限公司、实视信息技术(上海)有限公司获得了“创业公司”奖。

这四家获奖企业将获得包括进驻位于上海的 GE 数字创新坊孵化一个月、GE 技术团队全面支持、GE 创投部门潜在投资机会等资源支持。2016 年 7 月启用的上海数字创新坊旨在通过与 GE 其他地区的同类设施共同组成全球网络,支持当地数字工业创新和孵化,聚合生态系统资源与客户协作开发工业互联网。

GE 致力于将 Predix 打造成为业界公认的工业互联网运用开发平台,并通过基于 Predix 的完整预测性资产绩效管理解决方案家族(APM),支持工业企业实时安全地收集和分析数据,让企业更快、更智能、更精准、更高效地运行,助力以资产为中心的工业企业增加正常运行时间、降低成本、减少运营风险。

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

打赏作者

唐门教主

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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