专题：分论坛五

随着深度学习技术在图像、语言、语音等应用场景都达到了state of the art效果，深度学习框架也呈现群雄逐鹿的态势，谷歌、脸书、微软、亚马逊、百度等大企业及少数几家创业公司都推出了自己的产品。这次演讲对现有主流深度学习框架做一梳理，和业界同行探讨这个领域的技术是否已收敛。首先从用户体验角度讨论，一个好的深度学习框架应该有什么样的特点；其次从技术角度讨论，什么样的设计和实现才能实现人工智能时代的最强计算引擎。

听众受益

1.深度学习框架多种多样，如何选择？ 我该用哪一个？
2.已有的深度学习框架仍不满足我的需求，我该如何改造它来满足我的需求？ 
3.了解深度学习技术在相关领域的应用落地。

目前，人工智能、机器学习在很多人眼中是数据科学家们的专属武器，能够应用和掌握他们的数据科学家们都有着极其深厚的数学理论功底。那些想要学习和实践人工智能的工程师们往往要么是在打开相关书籍的时候被映入眼帘的数学公式吓倒，要么就是学习了很多机器学习的理论及算法但面对实际项目却手足无措。

近年来本人带领亚马逊工程团队应用机器学习、深度学习技术在全球客服系统智能化，推荐系统本地化及合规性检测自动化等多个方面实现了大量的成功创新。本讲座是我们工程师的学习和实践经验分享。告诉广大工程师如何成长为一个人工智能的实践者。

内容大纲

1.机器学习实践中的常见误区及陷阱
   1.1 准确率 = 最重要的指标
   1.2 模型 > 数据
   1.3 特征越多越好
   1.4 机器学习一定要有标记数据
   1.5 模型越复杂越好
2.实践中的常见挑战及策略
   2.1 常见挑战
     2.1.1 标记的样本数少
     2.1.2 正负样本数过于悬殊
     2.1.3 没有构建复杂模型的经验
     2.1.4 没有处理特征的经验
   2.2 常用策略
     2.2.1 迁移学习技术
     2.2.2 异常检测
     2.2.3 基于树的机器学习模型

听众受益

获得来自一线工程团队的实践分享，帮助听众了解学习和实践中的常见误区，并针对实践中的常见困难及问题给出的解决方案。这些内容涵盖了我们成功实践机器学习的最重要因素。

低成本、高精度、实时性、低功耗是下一阶段自动驾驶环境感知方案的迫切需求，是自动驾驶产品落地的瓶颈。视觉是环境感知的各种方案中接近这一要求的方式。为了能够达到低成本高效能的目标，我们探索了多种方法，包括高效的物体检测、语义分割的深度学习算法、网络压缩和剪枝方法、Inferen阶段的GPU、FPGA加速等。结合多种方法，我们在嵌入式平台上实现了视觉感知的实时预测。

听众受益

在算法原理、网络压缩、硬件实现几个方面，了解深度学习方法的加速技术。

你还在人工设置告警阈值吗？
AI风暴来袭，你是否考虑过将AI技术应用到监控领域？
模型、特征、训练、样本，这些在机器学习领域常用的概念离我们不再遥远。
此次分享将给大家完整介绍如何结合机器学习算法构建通用的时序类数据异常检测平台。包含对算法的选型，在百万级数据异常检测应用中遇到的问题与解决方案等，让你可以在有限时间内快速了解一个AI技术在运维场景下的应用案例。

听众受益

1.传统监控行业的“痛点”
2.智能监控解决方案
3.算法详解