全程中文！谷歌发布机器学习速成课，完全免费（附视听评测）

夏乙 若朴 发自 凹非寺量子位 出品 | 公众号 QbitAI 全球AI第一大厂Google推了新课程！ Google今天上线了一个"机器学习速成课程"，英文简称MLCC。用他们自己的话来形容，这个课程节奏紧凑、内容实用。 量子位觉得还有很意外的两点：它，竟然，基本可以全程中文！（包括视频） 还不要钱~ 听完这个课程总共需要大约15小时，包含大量教学视频，还有对算法实际运用的互动直观展示，让用户可以更容易地学习和实践机器学习概念。课程共25节，还有40多项练习。 据Google介绍，这个课程本来是工程师教育团队为自家员工开发的，也就是说，它的前身是一份内部培训资料。目前，有18000多名Googler报名参加了MLCC课程，把从课程中学到的东西用到了Google的各种产品上。 内部培训很成功嘛，于是Google决定，把这个课程送到更多人面前。 整个课程在此，（自行科学上网）来听来听： https://developers.google.com/machine-learning/crash-course/?utm_source=google-ai&utm_medium=card-image&utm_campaign=training-hub&utm_content=ml-crash-course （更新：有墙内版本，把谷歌网址的com改为cn， 文字内容直接可看。但是视频可能还是不能直接看。https://developers.google.com/machine-learning/crash-course/） 虽说这个课程免费向所有人开放，但实际上，想听懂还是有一些门槛的。Google在课程页面上就明确地列出了课程的前提条件： 掌握入门级代数知识。 您应该了解变量和系数、线性方程式、函数图和直方图（熟悉对数和导数等更高级的数学概念会有帮助，但不是必需条件）。熟练掌握编程基础知识，并且具有一些使用 Python 进行编码的经验。 机器学习速成课程中的编程练习是通过 TensorFlow 并使用 Python 进行编码的。您无需拥有使用 TensorFlow 的任何经验，但应该能够熟练阅读和编写包含基础编程结构（例如，函数定义/调用、列表和字典、循环和条件表达式）的 Python 代码。 这个前提，和吴恩达老师的课程其实差不多。 那么，数学已经基本全还给老师了怎么办！Python从入门到放弃了好几次怎么办！ Google在前提条件下边，还列出了学习这门课的准备工作，你需要恶补的知识、事先了解的工具，全都列了出来。 这其中，包括课程涉及的数学概念，每个概念都附有Google工程师教育团队精选的教程或文档，有来自可汗学院的课程、维基百科的词条、TensorFlow和Python的官方文档等等。 不过，这些链接到的内容都是英语的，如果需要中文版，还是要自己动手寻找。 试听感受 下面，是量子位带来的试听时间。 开头已经提过了，这个课程基本可以做到全程中文。不仅是全部的文字内容有中文版本，而且所有的讲课视频，也都是中文语音，听起来毫无障碍。 没错，即便是老外讲课，你听到的也都是中文语音。 这个译制片般的感觉，得益于Google的AI技术。所有的中文语音，其实都是根据原音（英文）识别并翻译之后，由机器合成的中文发音念出来的。 Google其实也明确说了："此视频讲座的配音是使用机器学习技术生成的。" 所以听上去，还是能感受到一点点的机器的"口音"。下面，以第一课《机器学习简介》为例。这节课的讲师，是Google机器学习总监Peter Norvig。一起听一下。 undefined_腾讯视频 怎么样？这个中文配音还行么？而且语速可调，上面是正常倍速，如果你嫌慢，还能调成1.5倍速、2倍速来听讲。 量子位试了一下2倍速……一旦接受了这种设定，还是挺带感的。一起再试听一下。 undefined_腾讯视频 不只是语音中文。再来下《深入了解机器学习》这一节的视频，感受一下。主讲人是D.Sculley，他是一名Senior Staff Software Engineer。 可以看到，视频中间出现的文字乃至公式，也都用中文显示了。 当然尽信也是不可取的。上面提到了，这些中文内容，很多都是机器翻译的结果，所以其中仍然会有出错的地方。你在听课的过程中，注意分辨。 比如《降低损失》这一讲。视频的主讲人是Cassandra Xia，应该是一位姓"夏"的华人，不过机器翻译的时候，Xia会念成"克西亚"。 课程中遇到需要互动学习的部分，还会暂时中止。 值得注意的是，机器在翻译她的讲课时，把其中提到的TensorFlow，翻译成了"传感器流"。可能有一部分原因是，英文语音转文字时给转成了：tensor flow。 如果大家看到真正严重的问题，可以留言讨论，或者向Google提出。我们只是提个醒，鸡蛋里挑个骨头。 另外很有意思的是，课程的最后部分讲到了机器学习在现实世界中的应用示例。 其中第一节讲的是《癌症预测》。这部分视频没有大吹特吹机器学习在诊断癌症方面有多厉害，反而是讲述了一个非常有趣的案例，推荐听一下： undefined_腾讯视频 Learn with Google AI 这个课程，是Learn with Google AI项目的一部分。项目网站上有大量Google机器学习专家提供的教学资源，除了上面介绍的MLCC课程，还有21项非常实用的资料和讲座视频。 量子位要特别（再次）隆重推荐一个超级实用（有中文版）的资源：机器学习术语表。也就是机器学习专业词典啊同学们！在页面左下角切换语言，你就获得了一份汉英双语词典。 机器学习术语表： https://developers.google.com/machine-learning/glossary/ Learn with Google AI网站上当然还有更丰富的内容，凡是Google推出过的AI学习资源，基本上都汇总在这里了。比如Josh Gordon的入门课程视频、TensorFlow Workshops系列笔记教程、通过动手带你入门的TensorFlow Deep Playground，GCP的机器学习指南、TensorFlow文档、甚至Google在Coursera和Udacity上开设的课程，以及收购来的Kaggle竞赛，都列了出来。 随着Google搞更多的事情，这个网站上也会列出更多的课程和资源。 资源太多不知道从哪学起？量子位建议还是从系统的MLCC课程开始吧，或者just follow your heart~ 当然，Google还给了一个过滤器，让用户可以根据你是谁、想找什么类型的内容、关注机器学习工作的哪个环节来筛选内容。比如说量子位作为一只"好奇的猫"，就筛选出了这些内容。 说了这么多，学习这种事你还是必须亲力亲为的。来，网址给你： https://ai.google/education/ 请自行科学上网查看 One More Thing 在MLCC课程中讲"机器学习简介"一节的Google机器学习总监Norvig最近还开源了一本人工智能教材的代码。 这本书是1992年出版的Paradigms of Artificial Intelligence Programming: Case Studies in Common Lisp，开源的代码也是Lisp写的。嗯。 代码在GitHub上发布至今已有几周，在今天的GitHub热门榜单上依然排名第7，可以说是热度不减了。 但与天朝码农的购房热情相比，还是要输一大截： — 完 — 欢迎大家关注我们的专栏：量子位 - 知乎专栏 诚挚招聘 量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。 量子位 QbitAI · 头条号签约作者 վ'ᴗ' ի 追踪AI技术和产品新动态 via 量子位 - 知乎专栏 http://ift.tt/2oKoAHM RSS5

17种GAN变体的Keras实现请收好 | GitHub热门开源代码

夏乙 编译整理量子位 出品 | 公众号 QbitAI题图来自Kaggle blog 从2014年诞生至今，生成对抗网络（GAN）始终广受关注，已经出现了200多种有名有姓的变体。 这项"造假神技"的创作范围，已经从最初的手写数字和几百像素小渣图，拓展到了壁纸级高清照片、明星脸，甚至艺术画作。 心痒难耐想赶快入门？ 通过自己动手、探索模型代码来学习，当然是坠吼的~如果用简单易上手的Keras框架，那就更赞了。 一位GitHub群众eriklindernoren就发布了17种GAN的Keras实现，得到Keras亲爸爸François Chollet在Twitter上的热情推荐。 干货往下看： eriklindernoren/Keras-GAN AC-GAN 带辅助分类器的GAN，全称Auxiliary Classifier GAN。 在这类GAN变体中，生成器生成的每张图像，都带有一个类别标签，鉴别器也会同时针对来源和类别标签给出两个概率分布。 论文中描述的模型，可以生成符合1000个ImageNet类别的128×128图像。 code： https://github.com/eriklindernoren/Keras-GAN/blob/master/acgan/acgan.py paper： Conditional Image Synthesis With Auxiliary Classifier GANs Augustus Odena, Christopher Olah, Jonathon Shlens [1610.09585] Conditional Image Synthesis With Auxiliary Classifier GANs Adversarial Autoencoder 这种模型简称AAE，是一种概率性自编码器，运用GAN，通过将自编码器的隐藏编码向量和任意先验分布进行匹配来进行变分推断，可以用于半监督分类、分离图像的风格和内容、无监督聚类、降维、数据可视化等方面。 在论文中，研究人员给出了用MNIST和多伦多人脸数据集 (TFD)训练的模型所生成的样本。 code： https://github.com/eriklindernoren/Keras-GAN/blob/master/aae/adversarial_autoencoder.py paper： Adversarial Autoencoders Alireza Makhzani, Jonathon Shlens, Navdeep Jaitly, Ian Goodfellow, Brendan Frey [1511.05644] Adversarial Autoencoders BiGAN 全称Bidirectional GAN，也就是双向GAN。这种变体能学习反向的映射，也就是将数据投射回隐藏空间。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/bigan/bigan.py Paper： Adversarial Feature Learning Jeff Donahue, Philipp Krähenbühl, Trevor Darrell [1605.09782] Adversarial Feature Learning BGAN 虽然简称和上一类变体只差个i，但这两种GAN完全不同。BGAN的全称是boundary-seeking GAN。 原版GAN不适用于离散数据，而BGAN用来自鉴别器的估计差异度量来计算生成样本的重要性权重，为训练生成器来提供策略梯度，因此可以用离散数据进行训练。 BGAN里生成样本的重要性权重和鉴别器的判定边界紧密相关，因此叫做"寻找边界的GAN"。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/bgan/bgan.py Paper： Boundary-Seeking Generative Adversarial Networks R Devon Hjelm, Athul Paul Jacob, Tong Che, Adam Trischler, Kyunghyun Cho, Yoshua Bengio [1702.08431] Boundary-Seeking Generative Adversarial Networks CC-GAN 这种模型能用半监督学习的方法，修补图像上缺失的部分。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/ccgan/ccgan.py Paper： Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks Emily Denton, Sam Gross, Rob Fergus [1611.06430] Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks CGAN 条件式生成对抗网络，也就是conditional GAN，其中的生成器和鉴别器都以某种外部信息为条件，比如类别标签或者其他形式的数据。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/cgan/cgan.py Paper： Conditional Generative Adversarial Nets Mehdi Mirza, Simon Osindero [1411.1784] Conditional Generative Adversarial Nets Context Encoder 这是一个修补图像的卷积神经网络（CNN），能根据周围像素来生成图像上任意区域的内容。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/context_encoder/context_encoder.py Paper： Context Encoders: Feature Learning by Inpainting Deepak Pathak, Philipp Krahenbuhl, Jeff Donahue, Trevor Darrell, Alexei A. Efros Feature Learning by Inpainting CoGAN 这类变体全名叫coupled GANs，也就是耦合对抗生成网络，其中包含一对GAN，将两个生成模型前几层、两个辨别模型最后几层的权重分别绑定起来，能学习多个域的图像的联合分布。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/cogan/cogan.py Paper： Coupled Generative Adversarial Networks Ming-Yu Liu, Oncel Tuzel [1606.07536] Coupled Generative Adversarial Networks CycleGAN 这个模型是加州大学伯克利分校的一项研究成果，可以在没有成对训练数据的情况下，实现图像风格的转换。 这些例子，你大概不陌生： Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/cyclegan/cyclegan.py Paper： Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros [1703.10593] Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 论文原作者开源了Torch和PyTorch的实现代码，详情见项目主页： Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks DCGAN 深度卷积生成对抗网络模型是作为无监督学习的一种方法而提出的，GAN在其中是最大似然率技术的一种替代。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py Paper： Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks Alec Radford, Luke Metz, Soumith Chintala [1511.06434] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks DualGAN 这种变体能够用两组不同域的无标签图像来训练图像翻译器，架构中的主要GAN学习将图像从域U翻译到域V，而它的对偶GAN学习一个相反的过程，形成一个闭环。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/dualgan/dualgan.py Paper： DualGAN: Unsupervised Dual Learning for Image-to-Image Translation Zili Yi, Hao Zhang, Ping Tan, Minglun Gong Unsupervised Dual Learning for Image-to-Image Translation GAN 对，就是Ian Goodfellow那个原版GAN。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/gan/gan.py Paper： Generative Adversarial Networks Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio [1406.2661] Generative Adversarial Networks InfoGAN 这个变体是GAN的信息论扩展（information-theoretic extension），能完全无监督地分别学会不同表示。比如在MNIST数据集上，InfoGAN成功地分别学会了书写风格和数字的形状。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/infogan/infogan.py Paper： InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets Xi Chen, Yan Duan, Rein Houthooft, John Schulman, Ilya Sutskever, Pieter Abbeel Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets LSGAN 最小平方GAN（Least Squares GAN）的提出，是为了解决GAN无监督学习训练中梯度消失的问题，在鉴别器上使用了最小平方损失函数。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/lsgan/lsgan.py Paper： Least Squares Generative Adversarial Networks Xudong Mao, Qing Li, Haoran Xie, Raymond Y.K. Lau, Zhen Wang, Stephen Paul Smolley [1611.04076] Least Squares Generative Adversarial Networks Pix2Pix 这个模型大家应该相当熟悉了。它和CycleGAN出自同一个伯克利团队，是CGAN的一个应用案例，以整张图像作为CGAN中的条件。 在它基础上，衍生出了各种上色Demo，波及猫、人脸、房子、包包、漫画等各类物品，甚至还有人用它来去除（爱情动作片中的）马赛克。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/pix2pix/pix2pix.py Paper: Image-to-Image Translation with Conditional Adversarial Networks Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros [1611.07004] Image-to-Image Translation with Conditional Adversarial Networks Pix2Pix目前有开源的Torch、PyTorch、TensorFlow、Chainer、Keras模型，详情见项目主页： Image-to-Image Translation with Conditional Adversarial Networks SGAN 这个变体的全称非常直白：半监督（Semi-Supervised）生成对抗网络。它通过强制让辨别器输出类别标签，实现了GAN在半监督环境下的训练。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/sgan/sgan.py Paper: Semi-Supervised Learning with Generative Adversarial Networks Augustus Odena [1606.01583] Semi-Supervised Learning with Generative Adversarial Networks WGAN 这种变体全称Wasserstein GAN，在学习分布上使用了Wasserstein距离，也叫Earth-Mover距离。新模型提高了学习的稳定性，消除了模型崩溃等问题，并给出了在debug或搜索超参数时有参考意义的学习曲线。 本文所介绍repo中的WGAN实现，使用了DCGAN的生成器和辨别器。 Code： https://github.com/eriklindernoren/Keras-GAN/blob/master/wgan/wgan.py Paper： Wasserstein GAN Martin Arjovsky, Soumith Chintala, Léon Bottou [1701.07875] Wasserstein GAN 最后补充一点，作者为了让没有GPU的人也能测试这些实现，比较倾向于使用密集层（dense layer），只要在模型中能得出合理的结果，就不会去用卷积层。 — 完 — 欢迎大家关注我们的专栏：量子位 - 知乎专栏 诚挚招聘 量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。 量子位 QbitAI · 头条号签约作者 վ'ᴗ' ի 追踪AI技术和产品新动态 via 量子位 - 知乎专栏 http://ift.tt/2GU0Hoh RSS5

全程中文！谷歌发布机器学习速成课，完全免费（附视听评测）

夏乙 若朴 发自 凹非寺量子位 出品 | 公众号 QbitAI 全球AI第一大厂Google推了新课程！ Google今天上线了一个"机器学习速成课程"，英文简称MLCC。用他们自己的话来形容，这个课程节奏紧凑、内容实用。 量子位觉得还有很意外的两点：它，竟然，基本可以全程中文！（包括视频） 还不要钱~ 听完这个课程总共需要大约15小时，包含大量教学视频，还有对算法实际运用的互动直观展示，让用户可以更容易地学习和实践机器学习概念。课程共25节，还有40多项练习。 据Google介绍，这个课程本来是工程师教育团队为自家员工开发的，也就是说，它的前身是一份内部培训资料。目前，有18000多名Googler报名参加了MLCC课程，把从课程中学到的东西用到了Google的各种产品上。 内部培训很成功嘛，于是Google决定，把这个课程送到更多人面前。 整个课程在此，（自行科学上网）来听来听： https://developers.google.com/machine-learning/crash-course/?utm_source=google-ai&utm_medium=card-image&utm_campaign=training-hub&utm_content=ml-crash-course （更新：有墙内版本，把谷歌网址的com改为cn， 文字内容直接可看。但是视频可能还是不能直接看。https://developers.google.com/machine-learning/crash-course/） 虽说这个课程免费向所有人开放，但实际上，想听懂还是有一些门槛的。Google在课程页面上就明确地列出了课程的前提条件： 掌握入门级代数知识。 您应该了解变量和系数、线性方程式、函数图和直方图（熟悉对数和导数等更高级的数学概念会有帮助，但不是必需条件）。熟练掌握编程基础知识，并且具有一些使用 Python 进行编码的经验。 机器学习速成课程中的编程练习是通过 TensorFlow 并使用 Python 进行编码的。您无需拥有使用 TensorFlow 的任何经验，但应该能够熟练阅读和编写包含基础编程结构（例如，函数定义/调用、列表和字典、循环和条件表达式）的 Python 代码。 这个前提，和吴恩达老师的课程其实差不多。 那么，数学已经基本全还给老师了怎么办！Python从入门到放弃了好几次怎么办！ Google在前提条件下边，还列出了学习这门课的准备工作，你需要恶补的知识、事先了解的工具，全都列了出来。 这其中，包括课程涉及的数学概念，每个概念都附有Google工程师教育团队精选的教程或文档，有来自可汗学院的课程、维基百科的词条、TensorFlow和Python的官方文档等等。 不过，这些链接到的内容都是英语的，如果需要中文版，还是要自己动手寻找。 试听感受 下面，是量子位带来的试听时间。 开头已经提过了，这个课程基本可以做到全程中文。不仅是全部的文字内容有中文版本，而且所有的讲课视频，也都是中文语音，听起来毫无障碍。 没错，即便是老外讲课，你听到的也都是中文语音。 这个译制片般的感觉，得益于Google的AI技术。所有的中文语音，其实都是根据原音（英文）识别并翻译之后，由机器合成的中文发音念出来的。 Google其实也明确说了："此视频讲座的配音是使用机器学习技术生成的。" 所以听上去，还是能感受到一点点的机器的"口音"。下面，以第一课《机器学习简介》为例。这节课的讲师，是Google机器学习总监Peter Norvig。一起听一下。 undefined_腾讯视频 怎么样？这个中文配音还行么？而且语速可调，上面是正常倍速，如果你嫌慢，还能调成1.5倍速、2倍速来听讲。 量子位试了一下2倍速……一旦接受了这种设定，还是挺带感的。一起再试听一下。 undefined_腾讯视频 不只是语音中文。再来下《深入了解机器学习》这一节的视频，感受一下。主讲人是D.Sculley，他是一名Senior Staff Software Engineer。 可以看到，视频中间出现的文字乃至公式，也都用中文显示了。 当然尽信也是不可取的。上面提到了，这些中文内容，很多都是机器翻译的结果，所以其中仍然会有出错的地方。你在听课的过程中，注意分辨。 比如《降低损失》这一讲。视频的主讲人是Cassandra Xia，应该是一位姓"夏"的华人，不过机器翻译的时候，Xia会念成"克西亚"。 课程中遇到需要互动学习的部分，还会暂时中止。 值得注意的是，机器在翻译她的讲课时，把其中提到的TensorFlow，翻译成了"传感器流"。可能有一部分原因是，英文语音转文字时给转成了：tensor flow。 如果大家看到真正严重的问题，可以留言讨论，或者向Google提出。我们只是提个醒，鸡蛋里挑个骨头。 另外很有意思的是，课程的最后部分讲到了机器学习在现实世界中的应用示例。 其中第一节讲的是《癌症预测》。这部分视频没有大吹特吹机器学习在诊断癌症方面有多厉害，反而是讲述了一个非常有趣的案例，推荐听一下： undefined_腾讯视频 Learn with Google AI 这个课程，是Learn with Google AI项目的一部分。项目网站上有大量Google机器学习专家提供的教学资源，除了上面介绍的MLCC课程，还有21项非常实用的资料和讲座视频。 量子位要特别（再次）隆重推荐一个超级实用（有中文版）的资源：机器学习术语表。也就是机器学习专业词典啊同学们！在页面左下角切换语言，你就获得了一份汉英双语词典。 机器学习术语表： https://developers.google.com/machine-learning/glossary/ Learn with Google AI网站上当然还有更丰富的内容，凡是Google推出过的AI学习资源，基本上都汇总在这里了。比如Josh Gordon的入门课程视频、TensorFlow Workshops系列笔记教程、通过动手带你入门的TensorFlow Deep Playground，GCP的机器学习指南、TensorFlow文档、甚至Google在Coursera和Udacity上开设的课程，以及收购来的Kaggle竞赛，都列了出来。 随着Google搞更多的事情，这个网站上也会列出更多的课程和资源。 资源太多不知道从哪学起？量子位建议还是从系统的MLCC课程开始吧，或者just follow your heart~ 当然，Google还给了一个过滤器，让用户可以根据你是谁、想找什么类型的内容、关注机器学习工作的哪个环节来筛选内容。比如说量子位作为一只"好奇的猫"，就筛选出了这些内容。 说了这么多，学习这种事你还是必须亲力亲为的。来，网址给你： https://ai.google/education/ 请自行科学上网查看 One More Thing 在MLCC课程中讲"机器学习简介"一节的Google机器学习总监Norvig最近还开源了一本人工智能教材的代码。 这本书是1992年出版的Paradigms of Artificial Intelligence Programming: Case Studies in Common Lisp，开源的代码也是Lisp写的。嗯。 代码在GitHub上发布至今已有几周，在今天的GitHub热门榜单上依然排名第7，可以说是热度不减了。 但与天朝码农的购房热情相比，还是要输一大截： — 完 — 欢迎大家关注我们的专栏：量子位 - 知乎专栏 诚挚招聘 量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。 量子位 QbitAI · 头条号签约作者 վ'ᴗ' ի 追踪AI技术和产品新动态 via 量子位 - 知乎专栏 http://ift.tt/2oKoAHM RSS5

首届「AIIA 杯」人工智能巡回赛即将启航，有航天科工、国家电网、百度、浙大一附院，中国联通&腾讯五个赛区

为贯彻《「互联网+」人工智能三年行动实施方案》的有关要求，提升我国人工智能产业的竞争力，中国人工智能产业发展联盟在国家发改委、科技部、工信部、中央网信办的支持和指导下，组织了「AIIA 杯」人工智能巡回赛。  2 月 28 日，中国人工智能产业发展联盟召开「AIIA 杯」人工智能巡回赛工作通气会，此次会议的召开标志着巡回赛正式启航。 在通气会上，航天科工、国家电网、百度、浙大一附院，中国联通腾讯联合赛点共计 5 个赛区的主办方，分别介绍了比赛准备情况及大赛方案，并与与会的媒体进行了交流。  以下是「AIIA 杯」人工智能巡回赛五站的情况介绍。   一、航天科工站   航天科工站选题包括智能算法和智能应用两类, 其中智能算法部分包含目标识别、语义关系挖掘、面向智能制造领域的高级计划排程等技术方向，以提高算法精度、海量数据计算效能、优化人机交互方式等为主要目的。智能应用类主要围绕群体协同在军、民、军民融合领域的创新应用，构建演示系统或样机，在设定场景下完成特定任务竞赛。  航天科工站比赛初赛时间为 3 月 15 日至 4 月 15 日, 决赛阶段为 4 月 20 日至 5 月 15 日, 初赛将采用线上线下结合方式进行, 决赛将以项目路演形式在现场进行角逐。竞赛将设立包括最具潜力奖、科工 AI 成果奖以及最受欢迎奖等奖项，获得包括加入「外创」团队，进行投资接洽以及纳入人才库等多项奖励。   二、国家电网站   国家电网站选题包括语义和图像识别两个方向, 语义方向包括电力新词和同义词发现两个赛题，以构建电力领域词典为目标，为电力领域文本知识挖掘、文本语义计算和理解提供支撑，评价标准包含准确率、召回率和耗时三项指标。图像识别方向包括无人机巡检图像识别和无人机巡检图像细粒度识别两个赛题，以本体检测、缺陷识别以及细粒度巡检影像缺陷识别为目标，实现巡检自动化，评价标准包含识别准确率、识别漏报率和识别耗时三项指标。  国家电网站大赛将于 4 月启动, 4 月至 7 月进行线上初赛，8 月至 9 月在中国电科院进行集中决赛，最终将评出一等奖 1 名、二等奖 2 名、三等奖若干名。   三、百度公司站 百度公司站选题为百度智能问答评测任务。在搜索场景下，让机器通过阅读理解搜索结果来回答用户提出的问题。对给定问题及其对应的文本形式的候选文档集合，要求系统自动对问题及候选文档进行分析，输出能够满足问题的文本答案。其中，问题的领域不限来自百度搜索引擎或百度知道的真实用户问题。候选文档是来自百度搜索或百度知道搜索的真实篇章文本（包含多个句子或段落）。答案可以是单个答案，也可能是对多个候选答案的总结。赛题评测将基于标准答案集合, 计算阅读理解系统产出答案相对于标准答案的 ROUGH-L 和 BLEU 指标。  百度公司站大赛将于 4 月 1 日开放竞赛平台，发放样例数据，大赛初赛时间为 5 月 1 日，将筛选前 50 名进入复赛，复赛时间为 5 月 20 日，复赛排名前 10 队伍将进入决赛。大赛将于 6 月 1 日公布竞赛结果和比赛总结会。大赛将评出一等奖 1 名，二等奖 2 名，三等奖 3 名，除提供荣誉证书认证外，百度将为获奖者提供奖金及参会交流赞助。   四、浙大一附院站   浙大一附院站选题包括医疗机器人、智能药物研发、智能影像识别、智能诊疗、智能健康管理和泛医学人工智能六个部分。大赛参赛团队将以从事人工智能应用于医学领域的高成长型、科技创新型企业及团队为主，创新创业团队、科研院校技术团队皆可参赛。  大赛将于 3 月正式启动，4 月至 6 月为线上征集及筛选期，复赛时间为 7 月至 8 月。浙大一附院将对入围决赛的参赛企业组织相应的培训, 决赛阶段为 9 月。 初赛将采用线上方式进行, 复赛及决赛将以项目路演形式在现场进行角逐。 所有符合政策导向及发展需求的优质团队将优先获得创业资助、税收政策、领军企业/个人评选、办公场地入驻、创业服务等支持。所有入围决赛的团队都将有机会获得不低于 1000 万的风险投资。入围决赛前三名的企业/团队的创新产品，将有机会进入浙江大学附属第一医院的试点应用，并鼓励大赛组委会合作伙伴优先使用和推广应用。决赛团队在路演现场，将获得与医疗界、创业圈、投资界、行业专家、创业服务机构以及孵化园区的交流创投经验。   五、中国联通&腾讯站   中国联通&腾讯站选题设应用类和开放创新类，应用类包含通信网络和数据应用两个子类别；开放创新类包括智慧公屋和智慧城市两个子类，供参赛团队自行选择。大赛面向全社会开放，高等院校、科研单位、互联网企业、创客团队人员均可报名。  大赛将于 4 月正式启动, 参赛征集期为 5 月至 6 月，初赛时间为 6 月，复赛时间为 7 月，决赛期为 9 月。比赛将设一等奖、二等奖、三等奖和优胜奖，分获不同的资金奖励；入围决赛前三名的企业/团队的创新产品，将有机会进入腾讯云、中国联通网络技术研究院优先合作供应商目录，并向中国联通合作伙伴推荐使用和推广；入围决赛前三名的团队成员，有机会以专家级别特聘入职中国联通网络技术研究院；入围决赛的十强企业/团队，有机会获得大赛合作机构的风险投资；入围决赛的企业/团队，可优先获得相应的政策支持，享受产业及税收政策、人才奖励政策和住房保障政策。  第一届「AIIA」杯巡回赛全部赛点竞赛将于本年度九月结束, 而据介绍，第二届巡回赛筹备工作已经启动。 ]]> 原文： http://ift.tt/2Cqlu4K 机器知心

MIT与商汤科技宣布成立人工智能联盟，助力MIT Intelligence Quest新项目

商汤科技是全球首家参与MIT最近成立的Intelligence Quest （以下简称IQ）项目的公司。这个项目发挥MIT在人脑研究、认知科学及计算机科学的优势，推动人类与机器智能研究的发展，旨在造福全人类。IQ项目覆盖包括材料设计、金融、早期疾病诊断等在内的多个领域。此外，它还将对人工智能在经济、文化和伦理层面产生深远的影响。MIT希望通过这个平台联接更多致力于人工智能研究的创新公司及个人。   商汤科技创始人、香港中文大学信息工程系教授汤晓鸥表示："作为MIT校友，我很高兴能与母校合作，共同促进人工智能的研究，这是我毕生从事的事业。商汤科技致力于在计算机视觉和深度学习领域原创技术研发。MIT－商汤科技人工智能联盟成立后，我们将汇聚全球最优秀的顶尖人才，进一步推动人工智能技术的发展，造福社会。"   商汤科技联合创始人、CEO 徐立博士表示："MIT在人工智能领域的基础研究始终处于行业最前沿。作为中国最大的人工智能算法供应商，商汤科技已与国内外多个行业的400多家领军企业及政府机构建立合作，用人工智能技术推动产业升级。我们很高兴能携手MIT，共同探索及引领全球人工智能未来的发展。"   据介绍，MIT－商汤科技人工智能联盟的成立，起源于MIT与汤晓鸥教授之间的深厚渊源。25年前，汤晓鸥在MIT攻读博士学位，从事水下机器视觉研究，将计算机视觉应用于水下图像识别领域。他的导师是现任麻省理工学院学术发展校长W. Eric L. Grimson教授。Grimson教授表示："晓鸥成功地将他在MIT计算机和人工智能领域学到的研究方法应用于学术和工业应用研究，创建了一家非常成功的、掌握原创技术的科技公司商汤科技。无论是在中国还是全球，晓鸥已经成为人工智能领域，尤其是在计算机视觉和深度学习领域的领军人物。晓鸥一直心系MIT，他既是优秀的科学家，又是成功的企业家。同时不遗余力地推动和鼓励优秀的学生和青年学者加入MIT。我对晓鸥的成就及其对世界的影响倍感自豪，并期待MIT与商汤科技建立深厚的合作共赢关系。"   最近领导MIT IQ项目发展的MIT工程院院长Anantha Chandrakasan教授表示："非常高兴看到商汤科技与我们的合作，我们的使命就是深入探索智能背后的科学与工程原理来创造更美好的世界。汤教授非常熟悉创新性研究，而MIT-商汤科技人工智能联盟也将促进MIT在人工智能领域取得全方位突破性进展，让师生们在与商汤科技的紧密合作过程中不断创新。这对于MIT和商汤科技而言，都是激动人心的时刻。"   自上世纪50年代，Marvin Minsky和John McCarthy两位先驱者创立了人工智能学科，MIT始终处于智能研究的最前沿。此后数十年间，MIT大力推动了从神经网络到数据加密，再到量子计算及众包大数据研究等多项重大科研进步。目前，MIT拥有200多位专注于智能研究的研究人员，从事人工智能和相关领域研究有多个重要机构，包括计算机科学与人工智能实验室，媒体实验室，大脑与认知科学学院，大脑、心智与机器研究中心以及数据、系统和社会研究所等。   商汤科技方面，该公司自主研发了先进的深度学习平台并在多个行业落地应用。凭借人脸识别、视频分析、文字识别和自动驾驶等先进的核心计算机视觉技术，商汤科技已在自动驾驶、金融、移动互联网、机器人、安全、医疗影像和智能手机等行业实现落地应用。目前，商汤科技正在大力开发自动驾驶、智能医疗和深度学习硬件优化技术。据悉，商汤科技现已在香港、北京、深圳、杭州、上海、成都、京都、东京、和新加坡成立分部。 ]]> 原文： http://ift.tt/2otpfxR 机器知心