1181被浏览33964分享邀请回答1添加评论分享收藏感谢收起IBM认知系统：从应用出发，让人工智能全面落地
来源：雷锋网
作者：张驰
　　关于，有一个流传甚广的段子：　　人工智能就像是青少年谈性：每个人都在说，不知道谁真的做了，每个人都认为其他人做了，所以每个人都声称自己在做。　　这句话也被恶稿出过“”、“深度学习”等版本，基本上每一次新的技术浪潮都可以用这句话来形容，其中反映出的却是技术应用于实际中的困境。　　给雷锋网（公众号：雷锋网）提供了这样一个例子。某金融业客户希望开发一个期货指数预测模型，主要功能是搜集前1000分钟的交易数据，以此预测后10分钟的指数涨跌。为此，这家公司做了半年的研发，结果是预测准确率在50%左右，基本与猜测无异。后来他们找到IBM，后者通过BlueMind深度学习云平台和PowerAI深度学习框架优化现有算法，两周内即将正确率提升到了75%以上。　　这样的例子还有很多。　　随着各行各业信息化水平的提高，大数据平台的搭建，许多行业和公司都积累了大量数据。这些尚未被充分挖掘的“数据资源”由于其庞杂和非结构化的特征，往往很难用传统的数据分析方式进行处理，这就需要机器学习等技术来实现数据增值，支撑企业的业务发展。　　但人工智能技术对从业者的要求颇高，也还没有出现普适性的解决方案。机器学习就涉及到微积分、概率论、最优化、线性代数、编程、计算机工程等方面。虽然开源的算法与机器学习框架不断涌现，但基本上每个开源工具都有各自擅长处理的问题，实际工作中还需要多个开源工具的配合使用，更不论还会面临开发环境的搭建，算法调试，以及行业经验限制等障碍。也正是这样，才出现了上面那个指数预测的例子。　　作为一家百年企业，蓝色巨人IBM也推出了自己的认知系统解决方案，它告诉雷锋网，公司可以提供一个现成的优化平台，帮助客户优化参数，缩短机器学习周期，帮助实现以机器学习为目的的解决方案。　　具体来说，IBM提供的是一个整体的关于深度学习的认知技术解决方案，不但有最底层的硬件（如服务器、存储和网络连接），之上还有集成优化的PowerAI深度学习开发框架，以及帮助缩短开发周期优化参数的BlueMind深度学习平台。最上层是IBM的服务与支持，包括研发部门提供的定制化、满足需求的研发服务。　　IBM的服务与支持，通过专门的服务团队，为用户提供基于自身需求的人工智能服务；　　IBM BlueMind深度学习云平台，可以缩短客户的开发时间，帮助训练和优化算法；　　PowerAI深度学习框架，基于社区开源技术为客户提供打包和优化过的框架服务；　　底层硬件深度学习平台，包括基于NVLink技术的GPU加速服务器，数据存储平台，以及高速网络链接。　　IBM称，客户只需要提供行业场景与数据，就能帮助完成想基于深度机器学习所实现的场景。　　不过技术是一方面，具体的应用又是另一方面，技术的应用最忌讳拿着锤子找钉子的故事。对此，IBM还表示可以提供最成熟的行业应用场景。所谓最成熟的应用场景，是指当各行业客户都在探索如何使用机器学习与深度学习时，IBM已经有了很多成熟的应用场景，相应的服务可以直接提供给客户。　　期货指数预测　　金融一直是最早利用新技术且数据最多的领域，而IBM在这里已经有所进展。比如，利用预定义的神经网络在BlueMind平台上进行优化，对指数的预测准确率达到80%以上。　　ATM机人脸遮挡检测　　在银行领域，IBM的智能影像识别系统已经可以实时检测出各种类型的遮挡并进行预警。这在ATM机防诈骗上十分有用，因为当有人故意遮挡脸部时，很可能需要特别关注。　　病理切片中的癌细胞检测　　医疗一直被认为是人工智能技术会最先落地的行业。病理医生需要从大量切片样本中识别微小的癌细胞，费时且容易出错。IBM的认知技术可以帮助医生分析医学影像找出病变，提高效率避免遗漏，预测和分析肿瘤病例的识别正确率可达80%以上。　　零部件和缺陷检测　　在领域，深度学习技术可以辅助零部件与材料缺陷检测，帮助工作人员及时发现和纠正，提高良品率。　　可以说，如果没有任何在现实中应用的例子，技术并没有任何意义。也正因如此，le与微软等公司都希望能简化人工智能应用开发过程，将这一新兴技术赋能给开发者。　　在今年3月的Google云服务大会上，去年底加盟Google的知名华人学者李飞飞表示要从计算、算法、数据和人才四个方面实现AI的民主化。在微软的Build 2017大会上，其AI与研究部门的负责人沈向洋更是提出要为开发者提供定制化的人工智能服务。　　而做了一百多年企业服务的IBM，最大的优势也在于对行业的理解和技术的商业应用。IBM告诉雷锋网，以往自己对外的印象可能只是卖盒子（也就是硬件），但现在对于认知计算以及机器学习来说，要从客户的业务、应用场景和需求出发，去提供相应的服务。　　2016年，IBM正式在中国发布了认知商业；今年4月的IBM中国论坛上，这家公司进一步明确了商业人工智能的战略，要助力行业转型，并展示了在医疗、能源、教育、电子等行业的合作成果。在人工智能上，这家公司似乎也找到了最适合自己的路径。　　点我了解更多人工智能、机器学习、深度学习行业应用场景。　　雷锋网原创文章，未经授权禁止转载。详情见转载须知。
责任编辑：Robot&RF13015
机会早知道
已有&0&条评论
最近访问股
以下为您的最近访问股
<span class="mh-title"
style="color: #小时点击排行代理·加盟
> 【行业要闻】后深度学习时代 人工智能何去何从？
【行业要闻】后深度学习时代 人工智能何去何从？
文章来源 : 科学网
　鲁迅的文章和人工智能会有联系吗?在中国科学院院士、清华大学教授张钹看来，答案是肯定的。
　　在鲁迅的一篇文章中，当孩子满月的时候，凡是说孩子将来会发财、做官的，都得到了主人的感谢或恭维，而唯一说出事实——“孩子将来是要死的”的人遭到了一顿合力的痛打。
　　张钹开玩笑说，在当下人工智能大跃进的局面下，既要说实话，又不想挨一顿合力的痛打，是需要勇气的。尽管如此，“我还是既要把人工智能的优点和成果说够，也要把它存在的问题说透。”
　　在10月20~22日于山西太原举行的2016中国计算机大会(CNCC2016)上，和张钹有同样勇气的还有其他一些人工智能领域的“大咖”。他们将问题的核心，都指向了人工智能在后深度学习时代的走向。
　　“弯道超车”还是又一个日本“五代机”
　　作为我国计算机领域目前规模最大、级别最高的学术会议，创建于2003年、由中国计算机学会(CCF)主办的中国计算机大会一向是业内人士畅所欲言的舞台。虽然今年CNCC2016的主题是“计算改变未来”，但人工智能却成了事实上的焦点。
　　“今年不管开什么会、谁组织、在哪里开，只要和人工智能挂上边，都很火爆。”中国科学院副院长、中国科学院院士谭铁牛对人工智能当下的热度深有感触。不过，作为人工智能专家，他深刻地意识到，“与其说人工智能火，不如说是深度学习火。”
　　从技术上来看，深度学习就是“很多层”的神经网络。而神经网络实质上是多层函数嵌套形成的数学模型。事实上，在深度学习出现之前，人工智能已经经历了两次热潮。在此期间，日本于1981年提出第五代计算机研究计划， 并为此投资了540亿日元。当时，人工智能研究的先驱者之一爱德华·费根鲍姆认为，这项计划即使部分实现，也将产生巨大经济利益，使日本占有市场，并夺得统治地位。美国如不自强，事态将极为严重，在超工业化社会中只能处于农业大国的地位。然而，最终这一计划还是以失败告终。这也意味着人工智能的流派之一符号主义方法进入了瓶颈期。
　　而今，随着深度学习的出现，人工智能又迎来了“春天”。这是一个“弯道超车”的机会还是又一个日本的“五代机”?张钹认为，“这两种可能都存在，因为科学发现和技术创新总是通过默默无闻的劳作和坚持不懈的努力取得的，只有这样才有可能成功。”
　　在张钹看来，与30年前相比，现在的人工智能有两点不同，一是大数据，二是概率统计方法的引入。正是这两个因素催生了当下的深度学习大潮。
　　然而，深度学习所解决的问题却有一定的范围限制，即在一定的应用场景里，在给定的数据库下，有了可利用的大数据，计算机的感知信息处理程度才有可能达到人类的水平。正因为它的局限性，“从狭义的人工智能走向通用人工智能，就成为后深度学习时代所要致力的问题。”张钹说。
　　不会“一统江湖、千秋万载”
　　“从本质上说，(人工智能)第二次和第三次浪潮在方法论上并没有本质区别，都属于连接主义。差别在于深度学习的成功。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。”中国工程院院士、北京大学教授高文认为。但他同时表示，连接主义(神经网络、深度学习)虽然大行其道，但如何解决小数据学习和创造性思维仍然挑战巨大。
　　在南京大学教授、美国计算机协会(ACM)杰出科学家周志华看来，发展至今天，作为人工智能领域一个重要的分支，“机器学习”已经成为一个广袤的学科领域，而“深度学习”仅是机器学习中的一个小分支。
　　在机器学习出现之前，人工智能的研究者们意识到，要想提升人工智能水平，仅有逻辑推理能力是不够的，而要总结出知识再“教”给系统，也同样困难。到了20世纪90年代中后期，人类发现自己淹没在了数据的汪洋中，机器学习正是为了满足人们对自动数据分析技术的需求应运而生的。而云计算、大数据时代的到来，计算能力的大幅提升，使得深度学习模型在计算机视觉、自然语言处理、语音识别等众多领域都取得了较大的成功。
　　但是，深度学习是否会“一统江湖、千秋万载”呢?周志华认为，深度学习最重要的作用是“表示学习”，即能自动学习和表达特征。当数据的“初始表示”(如图像的“像素”)与解决任务所需的“合适表示”(如描述物体的特征)相距甚远的时候，就是深度学习应用的领域。然而，很多学习任务，数据的“初始表示”与“合适表示”并没有那么远，因此深度学习不会“一统江湖”，其他一些机器学习技术也有自己的“用武之地”。未来深度学习可能有“冬天”，因为它仅是机器学习中的一种技术，更“潮”的技术总会出现。而机器学习不会有“冬天”，除非我们不再需要分析数据。
　　高文最近和美国国家科学基金会(NSF)接触发现，美国现在对于深度学习有很大的争议。虽然在机器学习领域，NSF仍然支持深度学习的基础理论研究，但认为在应用领域(如计算机视觉、语音识别、计算语言学等)使用深度学习解决实际问题已经不算创新，此类项目基本上都会被“杀掉”。“这给了我们一个信号，也许几年之后深度学习真的会进入沉寂期。”
　　未来走向
　　张钹认为，在后深度学习时代，人工智能主要面临三大挑战，一是概率统计方法带来的困难，即它只能找出重复出现的特征，发现数据间统计的关联性，却不能发现本质特征，找到因果关系。其次是生数据带来的困难，实际上，网络数据中只有34%是有用的， 66%则是虚假、无用的，这会严重影响识别的效果。三是不能举一反三，进行领域迁移。而要想实现突破，人工智能发展除了需要知识驱动与数据驱动结合从而“双轮驱动”外，更加要依靠学科交叉，特别是数学、认知科学、心理学、神经科学和语言学等。
　　从深度学习的发展历史来看，深度学习是相对最容易利用新增计算能力的机器学习方法。因此，周志华预测，未来的主流技术未必是深度学习，但应该是能有效利用 GPU 等计算设备的方法。
　　此外，随着人工智能技术取得巨大发展，将越来越多地面临“高风险应用”，因此必须有“鲁棒的人工智能”。对此，周志华的理解是，“好的时候”要好，“坏的时候”也不能太坏。而开放环境下的机器学习研究，是通向“鲁棒人工智能”途径上的关键环节之一。
　　谈及机器学习的形态，周志华认为，模型和规约相结合的学件的出现，将会改变机器学习目前算法加数据的现状，从而突破机器学习的一些局限，如需要大量训练样本，难以适应环境变化，模型不透明等。今后，当用户想要应用一个模型的时候，他可以先到“学件”市场找一找有无合适的，或者选择一个现成的模型加以修改后使用。而“学件”的诞生，很可能会催生出一个新的类似软件产业的新产业。
智能家居产品 推荐阅读
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
基金的发展在这些年来使有着很大的成效的，这与基金公司的运营规划和筹措是分不开的，同时还有基金年度报告...
Copyright(C)
,All Rights Reserved Two & Eight Smart科学家李建：如何用深度学习来解析时空大数据？
6月24日下午，钛媒体和杉数科技主办的2017 AI 大师论坛在京举行，论坛邀请了五位算法优化、机器学习领域的顶尖教授、学者出席并发表学术演讲，雷锋网记者也对论坛进行了跟踪报道。本篇内容根据机器学习领域专家李建的论坛分享实录整理而成。李建
，清华大学交叉信息研究院助理教授、杉树科技科学家，美国马里兰大学博士、国内机器学习领域最顶尖的前沿科学家之一，国际学术会议VLDB 2009和ESA 2010最佳论文奖获得者，清华211基础研究青年人才支持计划以及教育部新世纪人才支持计划青年学者，主要研究方向为算法设计与分析、机器学习与深度学习、随机优化与组合优化等。清华大学交叉信息研究院
：该院于2011年成立，由姚期智院士建立，姚其智院士是我国唯一的图灵奖获得者（图灵奖是计算机科学最高奖）。他在2005年从普林斯顿大学辞去职位，回国全职到清华创立姚班，也就是交叉信息研究院的本科生班，也被称为清华大学计算机科学实验班。以下为李建在论坛的分享实录，雷锋网& 做了不改动愿意的编辑整理：什么是时空大数据时空大数据，顾名思义，也全都是大数据，有时间的属性和空间的属性两个维度。比如说，GPS数据，首先有定位点，定位点就是空间的属性，进入的时间就是时间的属性。还有网约车的订单数据，发的这个订单数据就有当时的时间和空间，也是时空大数据典型的例子。 另外库存管理产生的数据页是时空大数据，杉数科技主要的一个业务就是供应链，用来做库存管理。其中包含很多步骤，在线的电商数据，社交网络的数据，也都是典型的时空大数据。金融数据在某种意义上也是时空大数据。首先有时间的属性，时间序列，另外比如说不同的板块，不同的类型，不同的行业，有不同的空间属性，也是比较典型的时空大数据。 时空大数据的特点时空大数据的特点既有时间的属性也有空间的属性，就像谈到深度学习，经常谈到比如说图像识别，其中很重要一点就是识别图象的空间属性。如果大家对深度学习有一点了解，做图像识别是需要用CNN（卷积神经网络）的，主要挖掘的就是空间的多变性，所以时空大数据是跟图像识别有共通的。在时间上，还有一个时间的属性，RNN，也就是递推神经网络处理序列的数据，这些时空大数据也包含。同时包含时间和空间的这两个属性，就对时空大数据提出很多新的挑战。同时，另一个时空大数据的特点是有很多类型的数据。要解决一个问题要用到方方面面的信息，比如说预测网约车订单供需量的应用，数据的类型就包含很多种，像GPS，订单的数据，天气的数据还有附近的路况数据，可以用的数据非常多种。这跟原来深度学习所处理的问题不一样，做图像识别只需要图像就够了，要做语音识别，只需要语音就够了，而时空大数据要有各种各样的数据，这些数据都是不同质的，需要组合起来，然后来进行学习和预测。 李建认为目前深度学习在比如说图像识别、语音识别这些领域，都可以说比较成功，也有很成功的商业化模式，但深度学习在时空大数据方面的研究，只是刚刚起步还没有非常成熟的一套方法论。他刚好研究这个方向就做了一系列的工作，相当于是一个初步的尝试，而且也应用到了企业级的应用项目上。其中包含和杉数的一些合作项目。他认为
将深度学习应用在时空大数据的分析上有非常广阔的
基于深度学习的网约车订单预测。网约车订单的问题，是要解决什么样的问题呢？首先想做的事情是预测未来比如说15分钟或者半个小时，在一个指定的区域内会有多少网约车订单。也就是说，你用滴滴发一个订单，这是一个预测目标，有多少的订单，就相当于是我们的需求。另外一个想预测的就是有多少需求不会满足，对滴滴来说也是一个很重要的应用，如果在一个地区预计将来比如说半个小时有很多的订单不会满足的话，就可能会事先派一些车到这个区域或者说经过这个区域，另外还会动态的调价，这对他们预测问题是非常重要的课题。 这个问题的难点就像刚才讲的是时空大数据典型的应用，各种各样的数据页都可以应用在里面，比如说GPS的数据、天气、路况都非常有影响。可以看这个图，红色代表这个地方的需求量特别大，绿色代表需求量不是很大，可以看到不同区域的需求量是非常不一样的。随着时间的变化，它的需求也是非常不一样的，比如上图随着时间从00点到20点，可以看到上班的时候有一个明显的高峰，下班的时候也有明显的高峰，这显然是一个工作的区域。另一个区域就不一样，是一个居民区，下班的时候才会有比较好的高峰。随着时间的变化，周一周二周三周四节假日对这个图也都会有非常大的影响。如何用深度学习解决这个问题，传统的学习方法是把很多数据源的不同数据挖掘出它们的特征，需要不同的组合、创造力或者说特殊的方法对这些数据挖掘，然后做一些统计量把它们拼到一起放在机器模型里。这个过程通常是要花很多很多的时间，精力和人员的。现在的想法就是利用深度学习自动的从不同的数据里面挖掘特征。因为深度学习有一个自动的特征挖掘能力。但是现在深度学习在时空大数据中自动挖掘特征还没有一个非常好的模式，我们希望做一个深度学习这样的一个框架，能够从各种不同的数据源挖掘特征，把这些特征组合在一起，然后有这样的一个框架来进行预测。 这是经过一段时间探索得到的深度学习框架，这里面有很多的细节我都没有刻画，但是大致的思想是这样的。首先它是一个弯道模型，经过简单的处理，就可以输入到网络里，而且这个网络可以容纳不同类型的数据，比如说订单数据，天气数据，交通数据。从这个数据里面抓取有用的信息来帮助预测，这是预测的输出。处理每个不同的数据需要不同的网络板块和节奏，简单的说就叫ID模块，想预测不同的区域，这个区域就有一个ID，area ID，把它输入进去，然后想预测什么时间，把时间的ID输进去，然后哪个周，把周输入进去。一般神经网络是处理连续性的数据，不擅于处理离散性数据，这就需要嵌入这样的技术，把离散的变成连续性的，然后再输入下一步神经网络里。另外构造模块的处理，订单的数据，是复杂的模块，因为订单首先数量非常非常的大。每个订单包含的属性非常多，但是这里面是受到传统的时间序列模型启发。比如说时间序列，如果时间序列模型做一下插分会有更好的预测，在神经网络就有这样的思想，预测经过插分的序列，然后把订单数据整合起来。
这个图片是讲的嵌入操作的功能，在做传统机器学习的时候，比如说，现在想预测周一某一个时间段的供需，周一和周二的预测是不一样的，现在想法是把历史上周一的数据拿出来做一下训练，周二的数据再拿出来训练另外的模型，训练不同的模型，因为这个非常不一样，把它们融在一起训练一个模型效果并不太好。现在深度神经网络就希望把所有的数据拿出来练一个模型，通过嵌入操作对这些数据，这个点进行归类，看这两个曲线的时间序列，然后就会发现这个高峰非常的相似，这是自动的进行归类，一定时间中他们也非常相近。 这是深度神经网络得到的预测的效果，和传统的方法比了一下，比如说LASSO，GBDT也是非常常见的一个方法，还有RF，也都是大家常用的。团队有一个BasicDeepsd，这个是简单版本，滴滴做这个项目举办了一场大数据竞赛，全球有1000多个队伍参加，Basic &DeepSD获得第二名，当时给的数据比较少，模型还可以有进一步的提升，后来跟滴滴进一步的合作，研发了Advanced DeepSD，结果很明显得到了提升。 这个虚线绿的是真实值，红线是传统的非常好的GBDT方法，蓝线的是DeepSD新方法，红线的预测多了，蓝的预测的好一点，有些地方是红线预测的少，像红的是传统方法预测的就比正常的少，但是我们算法要好一点。深度学习能够更好抓住变化的趋势 第二个场景是出行时间预测，比如说在百度地图里面从A点走到B点，然后想预测，开车要开多久。当时从8点开车，当时这个地方非常非常堵，预测要花很多的时间，等开到这个附近已经不堵了，实际上花的时间没这么多了。当时不堵，开到这边就堵了，在当时计算的时间也不一样。这里面就是计算加预测的问题。 这里面也有很多的挑战，不光是有路况，也有地点的属性，要处理新的数据，也就叫做trajectory 数据，另外还包括具体的司机的属性，根据一些历史信息，对这个新的司机开一个新的路会花多久进行预测。某种意义上是学习司机的习惯。这是团队研发的深度学习框架，大致的数据理念跟刚才一样的，有一系列的模块，不同的模块处理不同的数据源。像上面提到的这个也有ID数据。完全不一样的是这个数据是序列数据类型，是一个新的模块，新的模块我们用的是LSTM（长短记忆模型），这个在深度学习里面是非常重要的模块应用，是用来做序列学习非常重要且很有力的工具。团队把这个通过一系列的方式组合起来进行预测。这是中间一个序列模块，用来预测这个序列。 另外针对提到的有很多辅助信息，发展了一个辅助内容的模块。虽然说想预测从A点到B点花的时间，结果就是一个数值，但实际有很多信息的，从A到B走每一段小路都是有时间的，知道走多长时间，这些都是辅助信息。如果把这些辅助信息丢掉预测的话就有点浪费，所以就专门用一个模块来利用这些辅助信息把预测做到更好。 &下面是商店选址，传统的商店选址，通过优化的方法，或者说通过问卷调查的方法，在一个地方发一些问卷，看这个地方有多少人进这个商店，这种成本代价比较高，而且并不是非常准确。团队就跟百度大数据实验室合作进行一个项目，利用百度的大数据来确定帮助进行商店选址。大致就是，首先进行用户的需求分析，分析什么地方会有很多用户需求，然后就在用户去的多的地方进行选址会比较好一点。这个需求实际上是从百度的移动端里面挖掘的，比如在百度地图里面搜了一下想去星巴克，那么就代表有一个单位的需求，或者说专门搜了一下咖啡也是代表有需求，或者说想吃饭、海底捞、饭馆。首先总结这些需求，一种是非常具体的需求，比如说星巴克，就想去星巴克的这个店，另外一种比如说想喝咖啡，这样的需求。 利用这些需求知道哪些需求比较多哪些需求比较少，然后就会有这样的一个数据。 现有的商店数据。因为比如说想开咖啡店，这已经有三五个咖啡店就不想再在这里开咖啡店，现有的咖啡店的数据也是有的，每个咖啡店也有自己的数据，能够服务大概多少的需求，就是希望看看剩下的哪些需求还没有被满足，比如说这个例子中有很多的供给，这个供给已经可以满足需求了，有这样的模型，一个供给可以满足多少需求，剩下的这些需求进行一个聚类，然后大数据分析得到一些中心点，这就是后选的一些选址的位置。最后做机器学习找出最好的中心点。上面的图是是根据距离、店的大小判断去掉已经有的需求。 这里有一个实地的案例分析，就是用上面提到的方法去进行选址，比如说第一个图，是海底捞，后来发现，在不远处就刚刚开了这样的一个店，开店的人并不知道是大数据选的址。大数据选址可能跟他们选的也差不多，但是会给出很多的后选的地点。 这个是到访预测。走到一个购物商场，有很多的店，那么实际上到了哪一个店这是想要的数据。到了购物商场会连到这个wifi，这个数据页是要用的数据。也有一些现有的工作，基于这个距离的，还用一些传统的learning-to-rank，这个效果都一般，比如说这个人，想去哪一个地方，下一步会有一个偏好，如果光看一个人的话并不能抓住这些特点。这个框架跟刚才的类似，有一个不同就是用了贝叶斯方法，可以处理一个难点，就是GPS的数据比较多，但是check in比较少的情况下，推断去哪些点，然后把这个推断分到深度学习框架里，这个预测的准确率还是不错的。最后的是这个准确率模型，简单的贝叶斯的方法基本上可以做到。如果预测5个，5个中间有一个是对的概率基本上是80%；预测3个，70%的概率3个中间有一个是对的。 &最后讲研发的这个深度学习框架，是用来做出入仓预测的。大型物流公司一般都需要做一下出入仓流量预测，会方便他们排班或者事先规划。这个框架大致也跟团队研究的框架很相似。谢谢大家！&&
如果您对此文有意见建议，请发邮件至.cn（#改为@）联系，我们将马上反馈
电子智能控制器主要应用于家用电器、电动工具、智能电源、健康与护理产品、智能家居及 汽车电子 等终端产品，市场广阔，市场规模与下游行业市场开拓情况息息相关。...
据外媒8月9日报道，马化腾刚刚超越了马云成为中国首富。马化腾目前是福布斯排行榜上的中国和亚洲地区首富，全球排名第18位。...
随着消费级无人机市场的兴起，“黑飞”的情况也变得越来越普遍。觉得被侵犯的普通人或许对它们束手无策，但是一些敏感的机构绝不会手软。网枪、或用另一台张着大网的...
24小时内最火资讯
三日内热门评论文章
热门IT产品