| |
| |
 |
2016-12-26 第4期 |
|
| |
| |
Hi, |
|
|
周一快乐！圣诞节过得如何？在2016年的最后一周，CSDN AI为您奉上精心烹制的营养早餐。包括来年的深度学习技术预测趋势、Caffe源码解析、谷歌用AI为数据中心节能、ML算法库Fregata开源、以及Fintech如何变魔术。下面是详细内容，点击题目进入原文。 |
| |
| |
2017年深度学习十大趋势预测 |
|
| 本文作者曾经多次预测了技术发展的趋势，最近的一次预测是“2011年软件发展的趋势与预测”。10项预言中，准确地命中了6项，比如JavaScript VM、NoSQL、大数据分析、私有云、Scala语言等等。今年，他对深度学习的发展趋势做了一个预测，主要是研究领域的趋势预测，而不是工业界的应用。 |
| |
| |
深度学习框架Caffe源码解析 |
|
| 作者按：相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。 |
| |
| |
Google使用机器学习助力数据中心节能 |
|
| 虚拟的网络世界都是以现实世界为基础的。当我们浏览网站、发送邮件、上传视频灌水论坛时，这些数据都将流经占地面积超过足球场的数据中心。数据中心内成千上万台服务器每秒钟消耗的能源都非常惊人。全世界所有的数据中心消耗的能源总和约占全世界用电量的2%，如果不加以控制，能源的消耗也将会如同互联网使用一样大爆发。所以，给数据中心能源消耗瘦身这一任务迫在眉睫。 |
| |
| |
轻量级大规模机器学习算法库Fregata开源：快速，无需调参 |
|
| Fregata是TalkingData开源的大规模机器学习算法库，基于Spark，目前支持Spark 1.6.x, 很快会支持Spark 2.0。目前Fregata包括了Logistic Regression, Softmax, 和Random Decision Trees三中算法。
三种算法中Logistic Regression, Softmax可以看作一类广义线性的参数方法，其训练过程都依赖于凸优化方法。我们提出了Greedy Step Averaging[5]优化方法，在SGD优化方法基础上实现了学习率的自动调整，免去了调参的困扰，大量的实验证明采用GSA 优化方法的Logstic Regression和Softmax算法的收敛速度和稳定性都是非常不错的，在不同数据规模，不同维度规模和不同稀疏度的问题上都能取得很好的精度和收敛速度。 |
| |
| |
知识图谱如何让智能金融“变魔术” |
|
| 知识图谱如何让智能金融“变魔术”
智能金融，顾名思义，就是人工智能在金融领域的应用。智能金融还是一个比较新的方向，整体上还处于探索的阶段。首先，我们需要澄清它和其他一些概念如金融科技、互联网金融的区别。
过去几年来，“金融科技”（Fintech）成为一个热门词。但是大部分的金融科技产品，例如银行借贷、券商研究、早期投资、对冲基金、外汇支付等还是停留在对金融信息获取、统计量化模型、交易完成的信息技术（IT）保障上。智能金融则再进一步，试图用机器学习、知识表现等人工智能的分支来做决策支持。 |
| |
| |
| |
CSDN AI 周刊 |
|
| |
本刊由“AI科技大本营”编辑并运营，涵盖AI行业和技术圈儿的精品干货，每周发送，欢迎将干货分享给更多人！扫描下方二维码，添加小助手，备注公司和技术方向，邀你加入技术交流群。 |
|
| |
大本营小助手 |
|
 |
| |
| |
投稿：zhouxiang@csdn.net |
|
| |
转载：suiling@csdn.net |
|
| |
反馈：suiling@csdn.net |
|
|