亿欧旗下子公司“亿欧汽车”获得800万天使融资,中骏资本、星瀚资本投资

11月29日消息,在“2018亿欧创新者年会”上,亿欧公司总裁王彬宣布,亿欧旗下独立子公司“亿欧汽车(EOAuto)”获得由中骏资本、星瀚资本投资的800万元天使轮融资。这是亿欧作为一个整体在过去四年多获得四轮VC融资后,首次分拆行业频道进行单独融资。“亿欧汽车”的成功融资,标志着亿欧深耕产业创新取得了初步成绩、获得了业内认可;据悉,除“亿欧汽车”外,亿欧旗下多个行业频道也获得了产业资本的青睐并在洽谈相关融资。

亿欧公司总裁王彬表示,有别于一般的科技内容平台,亿欧自2014年2月成立以来就基于产业去划分和建设频道,定位为从新科技、新理念、新政策、新资本等角度报道和研究实体产业变革升级;四年多坚持下来,亿欧在汽车、家居、大健康、金融等行业领域建立了较高门槛。此次“亿欧汽车”成功融资,是对亿欧人长期坚守产业创新、助力中国实体经济升级这份初心的一次激励。亿欧将继续坚持服务产业创新的大方向,为各行各业的升级贡献力量。

“亿欧汽车”起源于2014年2月上线的亿欧网汽车频道,2016年7月成立亿欧汽车事业部,2018年7月正式注册和成立亿欧汽车子公司。“亿欧汽车”长期看好汽车行业的变革和创新,关注的领域涵盖智能网联、自动驾驶、新能源、科技出行、汽车流通、汽车金融、二手车、汽车后市场等产业上下游。“亿欧汽车”目前10人的内容团队,未来将在亿欧公司其它体系的支持下,逐步补齐研究、商务、市场的能力;目前,“亿欧汽车”正在积极招聘,预计到2019年底将增加到将近30人。

“亿欧汽车”旗下核心业务包括汽车科技媒体、汽车产业商业会议,以及汽车产业研究咨询等。平台聚焦新科技、新政策、新资本、新理念模式“四新商业变量”对汽车出行产业的影响与推动。面向汽车出行产业B端,提供行业最新资讯、输出新观点、产业案例及研究报告、创新产品测评等品质化线上内容,同时匹配以产业链关键环节、市场高关注度、国际化视野的品质化线下精品商业活动。截至目前,“亿欧汽车”已经为2000余家汽车出行领域企业提供了报道和相关服务。

领投方中骏资本CEO巴震表示:作为一家以研究为驱动力、以产业服务为宗旨的投资团队,中骏资本致力于深入研究产业发展的方向和趋势,挖掘优质的创新创业项目,并为企业提供专业的产业服务以及各类资源的对接,践行“产业+资本+投行”的投资理念。亿欧公司的产业创新服务平台定位,与中骏资本的产业理念非常契合,在我们构建的产业生态圈中,第三方服务平台是不可或缺的重要一环。我们看重“亿欧汽车”团队对汽车出行产业的深刻理解,也更看好年轻团队的创造力与创业热情,我们相信此次合作将更好地支持亿欧汽车发展壮大,与中骏一起深耕产业。

星瀚资本创始合伙人杨歌表示:汽车出行产业在近些年里受到智能制造与互联网行业发展的推动,产生巨大变化的同时也具备大量的投资机遇。星瀚资本始终引导与布局智能制造和互联网的产业升级方向,看重智能和新能源汽车在未来市场中的重要位置和爆发趋势。亿欧是星瀚长期以来的合作伙伴,在资本与创业市场具备头部影响力。此次“亿欧汽车”单独融资,将会依托于亿欧的即有体系,整合智能与新能源汽车行业的前沿资讯和资源,在过往四年多所形成的行业沃土基础上,促进业内企业合作迭代,助力产业格局进一步发展。星瀚资本希望通过此次的投资合作,融合星瀚与亿欧双方的资本资源力量,在智能制造产业升级的市场中联手推动一批优秀企业的成长。

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