秦曾昌
0 ? $score . '分' : '10.0分' ?>前Keep首席科學(xué)家 北京航空航天大學(xué)副教授
互聯(lián)網(wǎng)
電商
支付平臺
傳統(tǒng)金融
互聯(lián)網(wǎng)金融
電信
人工智能
機器學(xué)習
數(shù)據(jù)挖掘
訪問次數(shù)
10143
反饋數(shù)量
69
關(guān)于教練
現(xiàn)任北京航空航天大學(xué)自動化學(xué)院副教授、北航科技傳播研究中心主任。 2001畢業(yè)于黑龍江大學(xué)自動化系獲學(xué)士學(xué)位，并與2002年和2005年獲得英國布里斯托(Bristol)大學(xué)碩士、博士。美國加州大學(xué)伯克利分校 (UC Berkeley) 博士后、牛津 (Oxford) 大學(xué)與卡內(nèi)基梅隆大學(xué) (CMU) 訪問學(xué)者。目前主要研究方向為人工智能、機器學(xué)習、數(shù)據(jù)挖掘、跨媒體檢索與自然語言理解。出版英文專著1本；編輯論文集2本；在WSDM,CVPR,ICASSP,EMNLP等國際會議與Information Sciences， Neurocomputing等期刊共發(fā)表論文100余篇。10年教育部新世紀優(yōu)秀人才獲得者。同時廣泛參與信息產(chǎn)業(yè)界的技術(shù)咨詢工作，并曾任馬上金融人工智能研究院副院長、Keep首席科學(xué)家兼人工智能研究院院長。
課程
-
深度學(xué)習時代的跨模態(tài)信息建模
Feature representation of different modalities is the main focus of current cross-modal information retrieval research. Existing models typically project texts and images into the same embedding space. In this talk, we will introduce some basic ideas of text and image modeling and how can we build cross-modal relations using deep learning models. In details, we will discuss a joint model by using metric learning to minimize the similarity of the same content from different modalities. We will also introduce some recent research developments in image captioning and vision question answering (VQA)
【工作坊大綱】
1. 語義鴻溝
2. 圖像建模與CNN
3. 文本模型與詞向量
4. 聯(lián)合模型
5. 自動標注
6. 文本生成
7. 視覺問答暫無課程排期架構(gòu)師 -
機器學(xué)習入門與實踐
機器學(xué)習是計算機科學(xué)中一個最活躍的分支領(lǐng)域之一，是人工智能的研究中最核心的一部分。與傳統(tǒng)的嚴格靜態(tài)編程指令不同，機器學(xué)習算法根據(jù)數(shù)據(jù)輸入構(gòu)建模型并由數(shù)據(jù)驅(qū)動的來進行預(yù)測與分析。機器學(xué)習可用于多種任務(wù)如垃圾郵件過濾、網(wǎng)絡(luò)入侵者檢測、字符識別、搜索引擎的構(gòu)建和計算機視覺領(lǐng)域。本課程將解釋機器學(xué)習任務(wù)和模型評估的基本概念，介紹基本核心算法，包括決策樹，貝葉斯分類器，KNN，SVM和深度神經(jīng)網(wǎng)絡(luò)，并通過一些實踐樣例，提供實踐技巧。并了解到一些最新關(guān)于深度學(xué)習理論和應(yīng)用的內(nèi)容。
暫無課程排期工程師
大會議題
訪問次數(shù)
10143
反饋數(shù)量
相關(guān)教練
