- 博客(0)
- 资源 (23)
- 收藏
- 关注
RSS订阅用于无人驾驶的深度学习技术
深度学习近年来的成功极大地促进了自动驾驶技术的快速发展。但不少问题依然存在：1）深度学习模型需要大量的训练数据 2）即便是深度学习模型也很难达到100%准确率 3） 深度学习模型的计算复杂度太高，超出了车载计算机的处理能力。这个讲座将会关注以上几个问题。
2019-05-24
用于自动驾驶的机器学习
尽管最近人工智能等领域取得了很多的进展，但自动驾驶里的主要问题（不管是基础研究还是工程应用上的挑战）离完全被解决还有很大的距离。Erran Li将会探索自动驾驶所用的机器学习的基础，并讨论目前相关工作的进展。
2019-05-24
自动驾驶系统中的人工智能_ Artificial intelligence in autonomous vehicle systems 讲话.pdf
尽管人工智能技术已经在诸如计算机视觉和自然语言处理等领域获得了巨大的成功，如何在自动驾驶系统中有效地利用AI的能力仍然是一个很大的挑战。我们将以"Apollo"这一百度的开源无人驾驶平台系统做为基准和样例, 深入讨论并且分享在搭建智能的无人驾驶系统各个方面利用AI技术的实践和经验。通过讲解Apollo无人驾驶系统背后的设计理念以及各个功能模块，我们将分享并展示AI技术在Apollo无人驾驶系统中各方面的应用, 包括环境感知，行为预测，行为决策，以及控制规划等。同时我们将结合Apollo系统中的端到端学习实践，探讨AI技术在未来无人驾驶系统中更好的应用场景。
2019-05-24
基于成本的Spark SQL优化器框架
我们把基于成本的优化器框架贡献给社区版本Spark 2.2。在我们的框架中，我们计算每个数据库操作符的基数和输出大小。通过可靠的统计和精确的估算，我们能够在这些领域做出好的决定：选择散列连接（hash join）操作的正确构建端（build side），选择正确的连接算法（如broadcast hash join与 shuffled hash join）， 调整连接的顺序等等。这个基于成本的优化器框架对Spark SQL查询的性能有很好的提升 。在这次演讲中，我们将展示Spark SQL的新的基于成本的优化器框架及其对TPC-DS查询的性能影响。
2019-04-30
Spark和TiDB (Spark on TiDB)
SparkTI (Spark on TiDB)是TiDB基于Apache Spark的独立于原生系统的计算引擎。它将Spark和TiDB深度集成，在原有MySQL Workload之外借助Spark支持了更多样的用户场景和API。这个项目在SparkSQL和Catalyst引擎之外实现了一套扩展的，为TiDB定制的SQL前端（Parser，Planner和优化器）：它了解TiDB如何组织数据，并知晓如何借助TiDB本身的计算能力加速查询，而不仅仅是一个Connector。凭借SparkTI，TiDB将成为Hadoop生态的一部分，铺平了OLTP系统和离线分析集群之间的鸿沟。
2019-04-30
现实世界里的深度学习
As companies take machine learning out of R&D and into production, they face a whole new set of challenges. Lukas Biewald explains why human in the loop, active learning, and transfer learning are all essential design patterns for making deep learning real.
2019-04-30
机器学习时代
机器学习时代 Details to come.Amr Awadallah explains how data science and machine learning methods are evolving to bring a more comprehensive, secure, and enterprise-grade data science experience to the enterprise.
2019-04-30
英特尔技术加速实现分析与人工智能的未来
本主题将突出英特尔多方面的努力：大数据技术借助民主化进程，通过广泛的产品组合而整合生态系统；通过新的高度优化的AI解决方案的贡献，推进创新；并释放智慧以解决世界上最大的挑战，同时提供给客户最大的商业价值。
2019-04-30
生产环境里的堆外内存HBase读路径——阿里巴巴的故事
Yu Li explains how Alibaba met the challenge of tens of millions requests per second to its Alibaba-Search HBase cluster on 2016 Singles' Day. With read-path off-heaping, Alibaba improved the throughput by 30% and achieved a predicable latency.
2019-04-30
人工智能工业应用痛点及解决思路
AI的强大让各行各业纷纷侧目，未来对AI的应用情况将极大影响一家企业在市场中的位置。 然而， 在实验室叱咤风云的AI技术一旦应用到实际，难免水土不服。 那么，AI工业应用的必要条件是什么？痛点有哪些？如何解决？如何从系统层面、模型&特征层面、模型维度层面、实施上线层面实现突破？针对常见场景中的常见难点，有哪些黑科技正在起作用？ 本演讲旨在分享演讲者在互联网、金融、电信等领域的人工智能工业应用实践中的痛点及解决思路。
2019-04-30
云深度学习平台架构与实践
介绍小米内部应用的cloud machine learning平台，分析通用深度学习平台的架构设计和实现原理，还有在企业内部支持开发环境、模型训练以及模型服务的实践经验。
2019-04-30
TensorFlow与自然语言处理模型的应用
常常听到这种说法，自然语言处理是人工智能的桂冠。NLP从语言学上来看，研究的方向包括词干提取、词性还原、分词、词性标注、命名实体识别、词性消歧、句法分析、篇章分析等等。在这些基础的研究内容之上，面向具体的文本处理应用有机器翻译、文本摘要、情感分类、问答系统、聊天机器人等。使用的模型也在非常新颖地发展，从原来的RNN到GRU、到LSTM、到CW-RNN、到Seq2Seq、到加入Attention机制。从原本的Static unrolling到现在的Dynamic unrolling，甚至seqGAN。 自然语言处理的各个模型都有什么特点，除了加入双向以及加深网络外还有什么演化规律，每一次演化都是为了解决哪些技术哪点？接下来NLP基础模型还可能有哪些研究方向？在Sequential Data的处理及表示上有什什么演进规律和可以借鉴的经验？让我们来一起聊一聊这些话题。
2019-04-30
Angel:面向高维度的机器学习计算框架
在机器学习和人工智能领域，为了让模型达到更好的线上效果，特征的维度往往会膨胀到千万和亿级别。在这种情况下，传统的分布式计算框架，很难有高的性能。为此，腾讯推出Angel机器学习框架，支持超大维度模型的高性能机器学习。该框架即支持自主的高性能机器学习算法开发，也能作为PS引擎，为其它框架（例如Spark……）提供PS支持，整体形成良好的PS生态圈。
2019-04-30
数据驱动企业增长
流量红利渐消，数据驱动用户和收入增长成为新的核心；用数据驱动决策，而不是靠拍脑袋；数据分析究竟有哪些魅力？如何帮助企业创造巨大的商业价值，如何令公司全员做到数据决策；硅谷最前沿的方法论、工具、技术，最前沿的产品理念有哪些？
2019-04-30
领英大数据平台500倍扩展中应对的挑战
成长的烦恼--领英大数据平台500倍扩展中应对的挑战 (Growing pains: When your big data platform grows really big)
2019-04-30
HBase 灾备方案
HBase多数据中心方案及未来的增量备份功能介绍 HBase as a multiple-data-center solution and its future incremental backup function
2019-04-30
设计数据密集型应用
现今，尤其是在互联网领域，大多数应用都属于数据密集型应用。本书从底层数据结构到顶层架构设计，将数据系统设计中的精髓娓娓道来。其中的宝贵经验无论是对架构师，DBA、还是后端工程师、甚至产品经理都会有帮助。
这是一本理论结合实践的书，书中很多问题，译者在实际场景中都曾遇到过，读来让人击节扼腕。如果能早点读到这本书，该少走多少弯路啊！
这也是一本深入浅出的书，讲述概念的来龙去脉而不是卖弄定义，介绍事物发展演化历程而不是事实堆砌，将复杂的概念讲述的浅显易懂，但又直击本质不失深度。每章最后的引用质量非常好，是深入学习各个主题的绝佳索引。
2019-01-31
Vipassana for Hackers
Vipassana for Hackers，A document version of the talk "Vipassana for Hackers" by Steven Deobald
2019-01-31
Notes on Discrete Mathematics
These are the notes for the Fall 2017 semester version of the Yale course
CPSC 202a, Mathematical Tools for Computer Science. They have been
subsequently updated to incorporate numerous corrections suggested by
Dana Angluin and her students. This document also incorporates the lecture
schedule and assignments, as well as some sample assignments from previous
semesters. Because this is a work in progress, it will be updated frequently
over the course of the semester.
2019-01-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人