優(yōu)酷推薦業(yè)務(wù)，算法應(yīng)用場景眾多，需求靈活多變，需要一套通用業(yè)務(wù)框架，支持運行時的算法流程的裝配，提升算法服務(wù)場景搭建的效率
通過分析其中的關(guān)鍵問題，建立了新熱內(nèi)容曝光敏感模型，并最終給出一種曝光資源約束下的多目標優(yōu)化保量框架與算法
針對結(jié)算收銀場景中商品識別的難點，從商品識別落地中的模型選擇、數(shù)據(jù)挑選與標注、前端和云端部署、模型改進等方面，進行了深入講解
神經(jīng)形態(tài)結(jié)構(gòu)融合學習和記憶功能領(lǐng)域的研究主要集中在人工突觸的可塑性方面，同時神經(jīng)元膜的固有可塑性在神經(jīng)形態(tài)信息處理的實現(xiàn)中也很重要
機器學習就是通過經(jīng)驗來尋找它學習的模式，而人工智能是利用經(jīng)驗來獲取知識和技能，并將這些知識應(yīng)用于新的環(huán)境
滴滴機器學習場景下的 k8s 落地實踐與二次開發(fā)的技術(shù)實踐與經(jīng)驗，包括平臺穩(wěn)定性、易用性、利用率、平臺 k8s 版本升級與二次開發(fā)等內(nèi)容
大型商用時序數(shù)據(jù)壓縮的特性，提出了一種新的算法，分享用深度強化學習進行數(shù)據(jù)壓縮的研究探索
深度學習模型：OverFeat、R-CNN、SPP-Net、Fast、R-CNN、Faster、R-CNN、R-FCN、Mask、R-CNN、YOLO、SSD、YOLOv2、416、DSOD300、R-SSD
SIFT、PCA-SIFT、SURF 、ORB、 VJ 等目標檢測算法優(yōu)缺點對比及使用場合比較
人體姿態(tài)估計便是計算機視覺領(lǐng)域現(xiàn)有的熱點問題，其主要任務(wù)是讓機器自動地檢測場景中的人“在哪里”和理解人在“干什么”
Adam 算法便以其卓越的性能風靡深度學習領(lǐng)域，該算法通常與同步隨機梯度技術(shù)相結(jié)合，采用數(shù)據(jù)并行的方式在多臺機器上執(zhí)行
音樂科技、音樂人工智能與計算機聽覺以數(shù)字音樂和聲音為研究對象，是聲學、心理學、信號處理、人工智能、多媒體、音樂學及各行業(yè)領(lǐng)域知識相結(jié)合的重要交叉學科，具有重要的學術(shù)研究和產(chǎn)業(yè)開發(fā)價值
