占领全球NO.1的亚马逊AWS,再得深度学习人才

简介:

这位猛将是谁?吸引亚马逊的点又是什么?

占领全球NO.1的亚马逊AWS,再得深度学习人才

日前,机器学习研究者、加州大学埃尔文分校电子工程与计算机科学系的Anima Anandkumar宣布加入亚马逊,负责云计算相关的业务。据悉,Anandkumar的研究主要集中于概率隐变量模型以及张量算法的分析和设计及其在高维数据学习上的应用。

在今年早些时候Quora举行的问答环节中,Anandkumar曾表示,她现在的工作着力于如何高效的在大数据集上有效训练这种隐含变量模型。在这种无监督学习的方法中,算法能够自动发现潜在的、对解释观测数据有意义的变量。总体而言,机器学习研究者都同意这种算法能够解决本领域中一类悬而未决的挑战。她使用了一种新颖的算法来处理这个挑战性的难题,并展示了在没有监督数据的情况下,张量代数如何能够发现隐藏的结构性规律。

张量是矩阵的高维推广。就像矩阵能够展示事物的两两关系一样,张量能够表现更高阶的关系。Anandkumar的研究揭示了,对高阶张量进行操作可以有效地进行一大类概率隐含变量的机器学习训练。

近日,根据市场研究机构Gartner发布的一份最新报告称,在今年第二季度云基础服务市场上,亚马逊一枝独秀,其市场份额达到了31%。10年间,依靠“基础架构即服务(IaaS)”、“平台即服务(PaaS)”等系列基础云服务,亚马逊在云服务市场份额不断保持增长,从而确保其一直在该市场保持领先。而在Anandkumar加盟后,其云服务或更将增添一份战力。


原文发布时间: 2016-10-09 09:14
本文作者: 韩璐
本文来自云栖社区合作伙伴镁客网,了解相关信息可以关注镁客网。
相关文章
|
2天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别在自动驾驶系统中的应用研究
【4月更文挑战第28天】 随着人工智能技术的突飞猛进,深度学习在图像识别领域的应用已逐渐成熟,并在自动驾驶系统中扮演着至关重要的角色。本文聚焦于探讨深度学习模型如何优化自动驾驶车辆的图像识别过程,以及这些技术如何提高系统的整体性能和安全性。文中首先介绍了深度学习在图像处理中的基础理论,随后详细分析了卷积神经网络(CNN)在车辆环境感知中的应用,并提出了一种新型的融合算法,该算法能更有效地处理复杂环境下的图像数据。通过实验验证,本研究所提出的模型在多个公开数据集上表现出了优越的识别精度和实时性,为未来自动驾驶技术的发展提供了有价值的参考。
|
2天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习已成为推动技术创新的核心动力之一。特别是在图像识别领域,深度学习技术通过模仿人类视觉系统的机制,实现了对复杂视觉信息的高效处理。本文旨在探讨深度学习技术在自动驾驶系统中图像识别的应用,重点分析卷积神经网络(CNN)的结构优化、训练策略以及在实际道路环境中的感知能力提升。此外,文章还讨论了目前面临的主要挑战和未来的发展趋势。
|
2天前
|
机器学习/深度学习 计算机视觉 网络架构
深度学习在图像识别中的应用与挑战
【4月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习已经成为计算机视觉领域的核心动力之一。本文旨在探讨深度学习技术在图像识别任务中的应用及其面临的挑战。首先,我们将概述深度学习的基本原理和关键技术,包括卷积神经网络(CNN)和循环神经网络(RNN)。接着,文章将深入探讨深度学习在图像分类、目标检测以及语义分割等图像识别子领域中的具体应用案例。最后,我们讨论了目前该领域存在的一些主要挑战,如模型泛化能力、计算资源需求以及对抗性攻击,并对未来发展趋势提出展望。
|
2天前
|
机器学习/深度学习 安全 计算机视觉
深度学习在图像识别中的应用与挑战
【4月更文挑战第28天】 随着计算机视觉技术的飞速发展,深度学习已成为推动该领域进步的核心技术之一。本文旨在探讨深度学习在图像识别任务中的应用及其所面临的挑战。首先,概述了深度学习技术的基本概念和关键组成部分。接着,详细分析了卷积神经网络(CNN)在图像识别中的有效性以及常见的网络架构。然后,讨论了数据增强、迁移学习等优化策略对提高模型性能的影响。最后,指出了小样本学习、对抗性攻击等当前技术面临的主要挑战,并对未来研究方向进行了展望。
|
3天前
|
机器学习/深度学习 监控 自动驾驶
深度学习在图像识别中的应用与挑战
【4月更文挑战第27天】 随着计算机视觉技术的飞速发展,深度学习已成为推动图像识别领域前进的核心动力。本文将探讨深度学习技术在图像识别任务中的运用,包括卷积神经网络(CNN)的基础架构、数据增强的重要性以及迁移学习的实践意义。同时,文中还将分析目前面临的主要挑战,例如数据集偏差、对抗性攻击和模型泛化能力等关键问题,并提出可能的解决方案。通过综合评述,旨在为未来图像识别技术的发展提供参考方向。