0
| 本文作者： no name | 2016-10-29 17:19 |
AI 科技評論君對上周末剛剛結束的 CNCC 2016 大會依然意猶未盡，無論是包云崗研究員提出通過標簽化馮諾依曼結構降低云計算數據中心成本，還是山世光研究員介紹的深度化人臉檢測與識別技術中關于深度學習的應用，都展示了國內人工智能領域的學術創新成果。
而來自業界的出門問問創始人李志剛和大家講述了的 AI 創業路上的那些坑與機遇，也作為最早一批人工智能領域的創業者，給廣大讀者帶了不同的思考感悟。
除了關于創新和創業的分享，AI 科技評論君也注意到了科技巨頭 Google 的學術動態，其最新發布的增強型風格遷移算法可以簡單地讓單個深度卷積風格遷移網絡（Deep Convolutional style Transfer Network）同時學習多種藝術風格。
說了這么多關于人工智能的學界和業界動態，躍躍欲試的你卻還是個 AI“小白”，連什么是機器學習都不明白，怎么辦呢？沒關系，AI 科技評論君這周貼心地為大家準備了福利 —— 16 個新手必看的機器學習視頻教程。
下面我們一起回顧一下本周的 AI 科技評論頭條吧。
| 中科院包云崗37頁PPT剖析 ——如何降低云計算數據中心的成本？
包云崗是中科院計算所研究員、博士生導師、先進計算機系統研究中心副主任，作為 CNCC 2016 的特邀嘉賓的他提出通過標簽化馮諾依曼結構降低云計算數據中心的成本。
標簽化馮諾依曼結構它的目標其實是：
去提高數據中心的資源利用率，降低數據中心的整個成本。
圍繞這個目標的三個關鍵詞是云計算、馮諾依曼結構以及標簽化。
但是也有人問我？如果它以后真的會成為主流？關于數據中心成本降低了，對于設備商來說，他們愿意干嗎？為什么他們有動力去做呢？因為他們的收入好像會下降。
這里我想提一點，其實在200年前，英國的經濟學家杰文斯就問過這個問題，煤炭利用率提升了一倍，但會不會煤的產量下降呢？事實上，他發現，煤的產量增加了，因為更多的人會去用，所以技術的進步會去增加技術的消費量，我相信我們通過努力，去降低云計算的成本，也會進一步去促進云計算的快速發展。
| 中科院山世光：深度化的人臉檢測與識別技術—進展與展望
山世光是中科院計算所研究員，中科院智能信息處理重點實驗室常務副主任，在 CNCC 2016 可視媒體計算論壇上發表了演講，介紹最近幾年在人臉識別領域幾個關鍵流程上面，深度學習的應用情況。
特別要提到的是學術界的里程碑（數據庫）：ORL——FERET——FRGC v2.0——LFW
也給出了目前人臉識別的應用現狀：
總結這個報告就是以下幾點：
人臉檢測與識別不再具有特殊性
深度模型（&大數據&高性能計算）極大推進了人臉識別能力，在一些（用戶配合的）任務上能超過人眼
萬人規模的黑名單視頻監控場景尚不成熟
SeetaFace為大家提供了一個不錯的baseline
| 出門問問李志飛：AI 創業路上的那些坑與機遇
在 CNCC 2016 大會特邀報告中，出門問問創始人李志飛介紹了最常見的兩條 AI 產業化路線：
在已有的產品中實現 AI first 戰略，比如 Google；
AI 作為技術 API 提供給第三方，比如出門問問。
“前者適用于大公司，后者適用于小公司。”
To B 的優勢在于：初期就能賺到錢；更專注，不需要全棧式團隊；實現應用更豐富。
To B 的劣勢在于：難以擴大規模。
To C 的優勢在于：打造自主的品牌；逐漸形成規模和商業模式。
To C 的劣勢在于：需要更長時間的積累；需要全棧式的團隊。
出門問問選擇 To C 的代價就是要經歷從軟到硬的痛苦過程，李志飛和大家分享了幾個需要注意的方面：
必須發現并尊重硬件規律；
必須依循硬件的生命周期；
硬件的個性化交互創新很難實現。
| Google 最新發布的增強型風格遷移算法
Google 本周發布了一種新的遷移網絡（來自其論文《A Learned Representation for Artistic Style》）同時學習多種風格的簡單方法，可以簡單地讓單個深度卷積風格遷移網絡（Deep Convolutional style Transfer Network）同時學習多種藝術風格。
這種方法能實現實時的風格插補（Style Interpolation），其不僅可以應用于靜態圖像，還可應用于視頻中。
如上圖所示，在實際使用中用戶可使用13 種不同的繪畫風格，通過滑塊調整這些風格的相對強度。多種風格實時結合到一起，最后得到一個輸出。
下圖是 4 種風格按不同比例結合的成果：
| 16 個新手必看的機器學習視頻教程
我們很多人都沒有注意到，其實 YouTube 上面有大量免費的機器學習的指導課程。你無須再等待 MOOC 課程的更新了，可以在 YouTube 上面找到你想要的。（備注：請自備梯子科學上網觀看）
本文可以幫助你發現新的工具、技術、方法等。你要牢記這句話：對新知識的學習要像生命對于活水的需求一樣迫切，永遠不要停下追趕新知識、新觀點的腳步。
這些視頻主要分成 4 個部分，內容目錄：
1、機器學習新手入門
·如何成為一個數據科學家
·每個程序員都應掌握的重要數據處理技巧
·數據科學大賽的新手指南
·機器學習指南
2、最新的機器學習課程
·統計學機器學習
·滑鐵盧大學機器學習課程
·基于 Python 的機器學習實踐
·Geoff Hinton 的神經網絡課程
3、其他有用的講座
·失衡數據集下的機器學習
·Scikit—learn教程
·前沿技術——深度學習
·Pandas 新手教程
·基于 Python 語言的預測模型
4、企業機器學習案例
·谷歌
·Grabtaxi
| 公開課預告
最后，預告一下公開課時間： 11 月 1 日，下周二下午 3 點。歡迎大家踴躍報名。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
