每次开会，轮到谁记笔记总是一大讨论热点，会议之后的笔记形式各样，漏洞各式皆为会议记录的痛点。SCOPIST.IO 就是利用人工智能语音识别，自然语言处理准确一字不漏的，格式优美的，可搜索的，预约后按时出现的会议记录员。下面了解这款神器怎么工作的吧。

会议之前

首先得先注册好SCOPIST.IO账号，然后计划一个会议，这个会议可以是一次性的，也可以是定期循环的。

会议的提供商可以是GoToMeeting, WebEx, SKYPE, 自己的电话等等，总之是一个可以多方会议的语音接入信息。

会议进行中

SCOPIST.IO像一个普通的参会人员按计划加入会议。在会议中它会主动识别预先定义好的关键词，比如跟进，行动项目，记笔记，并把这些内容放置到对应的会议笔记中。

"Take a note" – 记笔记的例子: that the TPS reports will be ready for the client by next Friday.

会议结束后

SCOPIST目前需要大约2小时来处理会议音频，处理关键词并生成报告。处理时间稍显有些长，如果服务商能够提高识别处理速度会更有帮助。另外所有的会议语音变得可以搜索，这非常有帮助，如果文本笔记不够精确，还可以回放对应的音频。关键词可以在会议开始前或开始后随时调整。下面是一个报告的示例。

不知道你是不是已经迫不及待地使用了呢？ 目前似乎并不支持中文，希望中文的会议笔记神器尽快出来，那个时候秘书会担心失业么。

　　【PConline资讯】12月20日，阿里北京云栖大会，人工智能成为核心词汇。　　阿里巴巴集团资深副总裁阿里云总裁胡晓明回顾称，去年云栖大会北京会场，分享的主题还是阿里对云计算的三个认知——云计算最核心基础概要是互联网是基础设施，数据是资源，计算是能力。

　　今天，随着互联网的发展与数据的积累，新一年阿里云栖大会分享的主题，已经升级为“阿里云如何看待人工智能”。并具体落地到城市、工业、零售、金融、汽车、家庭等多个场景，推出整合城市管理、工业优化、辅助医疗、环境治理、航空调度等全局能力为一体的ET大脑，全面布局产业AI。

　　胡晓明表示，人工智能不应仅仅是实验室里的、PPT里的“概念AI”，更是“产业AI”，阿里巴巴对人工智能的三个判断是：　　第一，必须要有场景驱动，我们在解决什么问题，为这个社会的成本降低了多少，效率提高了多少；　　第二，在人工智能背后是否是有足够的数据来驱动AI能力的提升；　　第三是否是有足够的计算能力，支撑算法、深度学习可以发生。　　只有三个场景同时具备的前提下，人工智能才会有价值。其后，胡晓明从具体业务入手，分析人工智能在阿里体系中的运用：

　　一、智能金融　　胡晓明介绍称，阿里云与南京银行将云计算与智能算法合作，把申请贷款的过程整体减少了54%，同时推动人工智能跟金融大脑深度结合，在风控、营销和客服层面提升效率。　　据了解，阿里云与浙商银行在云计算和人工智能结合方面的合作，使得对信用卡本身的激活预测效率提升5倍，每一天流失预测准确率提升7倍，其背后驱动的是数据、算法和计算能力。　　此外，阿里云宣布推出具备了智能风控、千人千面、关系网络、智能客服等能力的智能决策金融方案——ET金融大脑。　　据了解，ET金融大脑可辅助银行、证券、保险等金融机构实现对贷款、征信、保险等业务的智能决策及风控监管，可大幅降低资损率，提高信用卡等预测准确率，促进金融机构在互联网消费金融、中小微企业金融服务等普惠金融方面的探索。　　核心风控上，基于智能风控系统，ET金融大脑构建了一整套反欺诈风控体系，不仅能智能管理风险控制，还能优化用户体验。　　金融服务上，ET金融大脑可根据产品使用行为特征，结合时间维度预测出给客户最合适的金融产品；同时搭配智能客服系统，充分“理解“客户需求，智能监测关键词，弹屏提示最优话术，辅助客服提升能力与效率。　　结合ET金融大脑算法建立信息关系网络，对欺诈模式自动识别，自动发现复杂关系网络异常模式。

　　现场另一个重磅信息，是阿里宣布将阿里云技术应用于民生银行核心系统的分布式改造上，但不涉及数据存储。

　　二、智能零售　　胡晓明将阿里双十一称为阿里巴巴集团驱动的一场最大的智能零售变化，以及历史上最大规模的人机协同。 　　在整个阿里巴巴客户体系当中，据了解，有将近95%的客服不是通过人工服务，而是通过人工智能阿里小蜜来提供的自动客服。　　其次，阿里推出人工智能推荐引擎系统，于双十一中生成将近567亿个不同货架，让每一个人打开淘宝天猫主页，可以看到千人千面的商品推荐，其背后是智能算法和智能配件。　　双十一自动推送的4.1亿张商品海报，背后运用的，也是人工智能与交互设计相结合的鲁班系统，通过鲁班系统不断生成独特的商品海报，让每一个人看到属于自己的海报体系。　　最后，在最大的华北数据中心，阿里运用运维机器人管理超大计算机群，接替了大概30%的人工服务，其背后也是一整套的人工智能。

　　三、智能城市　　在胡晓明的认知中，城市是复杂度远高于金融与工业、农业的场景。　　他表示，城市是人类最大的一个发明之一，将不同功能的人聚合在一起，从城市这个资源池里获得需求与服务，使得城市管理变成最复杂的一个问题。因此，胡晓明表示，在杭州，阿里运用人工智能与云计算，跟一个城市的管理做深度结合，推出ET城市大脑，让城市资源发挥最大价值。　　例如，在杭州做的ET城市大脑，已接管128个路口红绿灯，并对整个数据包括视频数据进行全量分析，优化本身道路运营速度和效率，使得试点区域道路通行时间减少了15.3%，骨干高架路整体出行时间节省4.6分钟。

　　四、智能出行　　2016年7月，阿里巴巴与上汽合作发布阿里巴巴操作系统，并运用到汽车内，发布斑马智行的智联网汽车的整体解决方案，与出行、汽车驾驶、停车收费、加油等密切相关。　　据了解，搭载了AliOS操作系统的智联网汽车已将近40万辆跑在路上，比特斯拉今年跑在路上的车辆还要多，同时从去年7月到今年12月份，阿里智能出行已累计产生超过700亿个轨迹路点。　　胡晓明透露，斑马智行操作系统中，被运用最多的功能，是通过手机在家远程遥控开启后备箱，让快递员把包裹放到后备箱，并且通过手机自动关闭后备箱。

　　此次现场，阿里云与宝马中国宣布联合开发“车家场景数字化服务”，并将在2018年上半年上线，服务将基于BMW云端互联、阿里云Link物联网平台等，届时宝马汽车车主可以在家中使用支持阿里云Link Voice技术的人工智能音箱，实现远程场景下语音询问等功能。

　　五、阿里云物联网整体解决方案　　胡晓明表示，从物联网操作系统，到阿里自身各类应用，再到SASS层，阿里提供了所有做万物互联所需的智能硬件整体解决方案，包括音乐、语音、图像视频，云计算让IOT速度更快。　　其次，今年阿里大力推出的智能音箱天猫精灵，也在双十一宣布达到出货量超过100万台，其背后，是数据积累与算法优化使得语音交互与应用服务的速度越来越快。

　　现场，阿里首次公布了ET大脑的Logo，阿里云机器智能首席科学家闵万里表示，相较于其他AI产品，阿里云ET大脑将AI技术、云计算大数据能力与垂直领域行业知识相结合，基于类脑神经元网络物理架构及模糊认知反演理论，实现从单点智能到多体智能的技术跨越，打造出具备多维感知、全局洞察、实时决策、持续进化等类脑认知能力的超级智能体。　　其Logo由简洁六边形及一个点组成，色彩及分布借鉴了人类大脑活动时不同区域的彩色热力图。由Logo衍生出的阿里云人工智能形象——小ET拥有聪明活泼的个性。小ET的点线构成神经网络的样式，代表着各智能技术间的联动共通；多边形面可以随时变化出各种姿态，代表科技的持续进化。

李彦宏在世界互联网大会4日论坛

12月3日，李彦宏利用三张PPT简要讲解了一下人工智能，强调了AI的新动能；4日人工智能论坛上，则采用了视频的方式，介绍了百度的“疲劳监测”、渡鸦音箱、AI+连锁超市、Apollo平台等技术应用。

播放“疲劳监测”形象宣传片

李彦宏表示，百度希望货车司机丢掉工作之前别先丢掉生命，视频介绍了百度防疲劳驾驶系统，预计明年将和一汽汽车一起推出。

而智能家居领域，李彦宏介绍了于11月百度世界大会推出的智能音箱——Raven H。为回应目前市面上“漂亮得不像百度的产品”这一观点，李彦宏表示，“Raven H还是比较像百度的，比你们见到的任何一款市面上的音箱都要更加聪明，原因就是背后有百度这么多年做搜索的积累，无论是人工智能的技术，还是相关的数据，以及背后的知识图谱。”

李彦宏表示，搜索引擎本质上就是人工智能——用户用自然语言输入他的需求，计算机猜测用户到底想要找什么，然后给他提供相应的答案。而人工智能就是让计算机懂得人、响应人的需求。

据雷锋网了解，大约从七年前开始，搜索引擎的工作原理也从过去的大多靠统计做排序（ranking）、变成用机器学习做排序。“所以今天大家使用的百度背后，其实完全是一个人工智能的引擎。”李彦宏称。

产业链上，李彦宏表示，人工智能不仅应用于人们普遍感受到的TO C端，也大幅应用于TO B端——也就是改变制造端、供应链。

李彦宏于现场举了人工智能改变供应端的例子——百度与一家连锁超市合作，利用人工智能技术提升超市里生鲜货品的效率，比如进多少、什么时候摆出来、什么时候撤掉等方面的预测，结果使得超市利润提升20%，报损率降低30%以上。

实际上，据雷锋网了解，除了超市，金融与房产、教育与医疗、能源与物流等，都是人工智能可以应用的领域。

但是，李彦宏称，这些显然不是靠百度一家能够实现的，需要整个社会、企业界为之奋斗。因此百度在不断地开放各种各样的平台，其中，百度深度学习平台PaddlePaddle就是这样的一个开放、开源的平台——任何一个领域的人都可以使用这个平台来开发有关的深度学习或者人工智能的程序。

李彦宏重点介绍了百度人工智能另一个重磅产品——Apollo。他表示，在智能驾驶平台上，百度自然做得更深入些，Apollo平台在某种意义上也是TO B的，作为供给端平台，Apollo目前已经联合了各种各样的合作伙伴，包括运营商、汽车服务厂商、整车厂商、零部件厂商、芯片厂商等，大家都在一个大的产业链里，共同为无人驾驶而努力。

最后，李彦宏透露称，百度很快将与雄安一起宣布一个大的智能城市计划——据雷锋网了解，这个计划不仅对于新城市来说具备很强的适应性，也与所有城市都相关。每一个城市想提升它的智能水平，想让它的人民生活更幸福，想让它的出行效率更高，想让每个人都活到150岁——必不可少的，就是把人工智能的技术逐步渗透到每一个城市、每一个角落。所以，李彦宏表示，百度已与保定、重庆两江新区、北京亦庄开发区、上海汽车城等地，进行相关人工智能方面的合作。

“到明年的时候，我也希望可以和大家更详细地报道这方面的进展。”

[数据观导读]不久前，在2017中国大数据技术大会（BDTC）Keynote上，科大讯飞大数据研究院执行院长、中国计算机学会大数据专家委员会委员谭昶，发表了《用人工智能理解人、服务人》的主题演讲。谭昶表示，AI已经来到了每个人的身边，人工智能可以构建更精准的用户画像，进而实现数据增值。而精准营销能够实现数据价值变现，人工智能+大数据可实现真正的因材施教，为大家提供便民服务。从随身设备到城市公共服务，从互联网到教育、医疗等垂直行业，科大讯飞正在用人工智能，深度挖掘大数据社会价值和商业价值，为人类建设一个更加美好、更加智能的世界。最后，谭昶坦言，比人工智能更强大的，是掌握了人工智能的人类。如何用人工智能，从大数据中更好的理解人、服务人乃至成就人，是用人工智能赋能每一个人的必然过程。

雷锋网按：本文根据余凯在微软亚洲研究院召开的“让世界充满 AI-人工智能研讨会”上所做的报告《 “AI Inside”无处不在的未来 》编辑整理而来，在未改变原意的基础上略有删减。

我总在思考，如果当一个风口到了的时候，我再进入这个风口，我会没有满足感。

我始终在想，下一个机会在什么地方？它现在可能处于边缘状态，但我相信某个边缘的机会，会成为一个未来的机会，而这个未来的机会就是下一个风口。

这个思考过程非常痛苦，因为需要不断否定自己，去挑战自己，而且不被大多人理解。

2012 我们在清华大学以及百度内部推深度学习，别人会质疑：投入这么大的资源去做这个事情是否值得。而现在，很多项目都是基于深度学习，并且应用非常的广泛。

这其实就是一个从边缘到中心的典型案例。

我继续在思考，是不是该到边缘去，看看将来有没有机会成为撬动世界的力量。这就是我的 AI Inside，之前有个概念叫 Intel Inside，它创造了摩尔定律，撬动了整个 IT 产业。

2002 年我在微软实习，当时我、何晓飞、颜水成是团队里为数不多较为关注机器学习的人，因为志同道合我们就成为了好朋友。有意思的是，之后我们三人里面，我创立了百度深度学习研究院，晓飞创立了滴滴研究院，而水成则创办了 360 人工智能研究院。

驱动人工智能进展的三大因素

我认为驱动人工智能的进展主要有三个因素：

大数据：线下的数据不断线上化。大算法：深度学习和增强学习的发展，深度学习用来感知、处理信号，增强学习则做于决策。二者相辅相成。大计算：按照摩尔定律，2030 年一千美金买到的计算资源跟人脑相似。当然，现在英特尔宣布摩尔定律开始变慢。所以预测没法这样下去，另外一方面，从宏观上讲，对处理器架构的改版不仅仅是工艺层面，架构的变化也为计算带来变化。

深度学习为何取得成功？

从统计学习理论角度讲，分析一个学习算法的性能一般用推广误差来分析它。如果我们对推广误差的来源做分析，我们就能找到更好的方法去控制算法中一些不恰当的地方，以便找到更好的手段。

这其中有一个经典的统计角度分析方法，就是把推广误差分解为：近似误差（Approximation error） 和估计误差（Estimation error）。

近似误差（Approximation error）主要会做一些假设，由于假设的不完美，所以带来了近似误差，另外一种由于数据的不完美，所导致估计误差（Estimation error）的出现。

这样分析存在一个问题，就是你假设的计算资源是无限的，所以可以得到这样一个分析的结果。但从计算机科学的角度上来讲的话，我们会考虑计算的不完美，所以引入第三个误差：Optimization error，也就是算法。

考虑到计算的不完美，我们得到一些引导。

Model Class Bias：我们用大模型，模型越来越大，Bias 就越来越小。用更多的数据。设计一个合适的算法。

深度学习处于一个非常幸运的区间，从统计性能来讲，他的 Model Bias 很小，但从计算效果来讲，它可以看到大数据。

这是一个很幸运的事情，过去深度学习在视觉和语音上有着很多的应用，而在互联网行业中主要应用在搜索和广告中，当然，机器人也是一大落地方式，深度学习在机器人的作用主要在于决策。

深度学习成功应用的案例

在百度期间，我们利用很大的模型和 1000 亿个训练样本，去改善搜索引擎的检索，比谷歌的 Ranknet 早两年。

包括在数据中心用深度学习改善运行效率，把 PUE（评价数据中心能源效率的指标）降低，这比 Deepmind 今年做出的结果早一到两年时间。 

除了这些以及自动驾驶外，深度学习还能提升广告收入。这是百度当年的股票曲线：

图中那个节点，是百度对外公布基于深度学习的百度蜂巢网络（广告系统）的节点。

刚加入百度的时候，我在自我介绍环节提到，希望在两三年时间内让外界在讨论 Google 人工智能时也会讨论百度。

站在今天这个时间点上，我想跟大家分享。

深度学习很热了，它的下一个机遇在哪儿？

我的回答说 AI Inside，过去我们在云端部署算法和服务，但是现在有个机会是，把运算放在嵌入式和前端中。

比如是否可以在前端实现语音识别？

这样在跟太太说的话不一定要传在云端里面，隐私能更好保护，体验更好。

再比如说在自动驾驶，如果有个小孩子突然横穿马路，传感器需要把这个信号传送至云端，然后做决策，但如果这个时候网络信号不好呢？

这就涉及到如何在前端嵌入式地解决人工智能的问题。

（颜水成博士曾在雷锋网承办的 CCF-GAIR 大会中提到，如果将运算任务直接下发到智能设备终端上，这些瓶颈就会迎刃而解。但是，把运算载荷放到设备上，显然要克服诸多问题。其中最大的一个就是：终端设备的运算能力存在天花板。由于智能设备成本有限，大多不可能配备顶级运算芯片）。

在中国有很多应用场景，中国每年需要新部署一亿的安防摄像头，大概到 2021 年，其中 30% 的是智能安防摄像头。这就必须要求低功耗，如果功耗很高，在阳光照射下，温度能达到 70 到 80 度，这种情况下就不能很好地处理计算。

平均每辆自动驾驶汽车拥有 8 到 10 个摄像头，再加上传感器、雷达、激光雷达等等，每一秒产生 TB 的级的数据，这种计算怎么去处理？ 

孙正义预测，2040 年会有 100 亿个机器人，当然这种机器人指的是广义上的智能机器，而不仅仅是人形机器人。

历史总是在不断重复，首先是 Enabling Technology Businees ，然后是 Technology Tnabled Business。

前者卖的是技术本身，当这些技术成熟后，一些公司做开发直接采用别人的技术，在这基础上，这些公司卖的是其他产品。

互联网时代，思科的市值一度高达到 3000 亿美金。虽然当时我们不知道互联网有什么用，但得先铺好网络，等网络铺好后，在这上面出现了 Google、Facebook 这些应用。正如图中显示，谷歌在后面成长起来。

移动互联网，虽然不知道移动应用在哪里，但移动网络需要 CDMA，铺好后苹果成为了巨无霸。

过去三四年时间，有个规律正在发生。

2011 年谷歌做大规模的深度神经网络训练，最后识别出猫脸，其实这件事是失败的。当时他们相信用 CPU 可以做所有事情，后面 Jeff Dean 意识到做神经网络训练用 CPU 是错误的。在百度，我们大规模用 GPU 做深度学习训练，在 2014 年，我们和微软都意识到 GPU 只适合做训练，不适合推断和预测，所以在大规模部署FPGA。今年我们也看到了其他产品如 TPU 和 BPU。

我再给大家看一个曲线，这个曲线是我一个礼拜之前画的：

这是英伟达的股价曲线，从去年七月开始到现在涨了四倍。在全球所有的高科技公司里面没有一家可以像它一样如此高速成长。为什么？现在无论 AI 大公司还是小公司，总需要买 GPU 训练模型。这就是 Enabling Technology 先行，Technology Enabled Business 顺势崛起的一个典型案例。

地平线正在建立一个软件和处理器的深度神经网络平台，让上层应用的表现有 1000 倍的提升，不是跟 CPU 比，我们是跟 GPU 比。

面向的应用场景主要包括自动驾驶和智能家居。

和英伟达的业务相比，他们的工作区域是在 20 瓦到 300 瓦，地平线的目标是 0.5 瓦到 5 瓦，他们的核心竞争力是价格优势和服务，我们的定位策略是芯片+算法、解决方案和设备。

一直到今天为止，谷歌和百度的无人车在测试时每行驶一小时就需要在树荫下休息，知道为什么吗？因为要散热，无人车的功耗是非常大的。

假如我们涉及处理自动驾驶这样一个计算，跟英伟达的计算相比，我们的不同在哪里。

地平线的优势在于我们跑这个运算时少于 1 瓦特，但他们用了 100 瓦特，这就是我们的区别，也是地平线机器人正在做的事情。

摘要：如今，人工智能正在以前所未有的速度发展。目前，全球顶尖的IT和互联网公司都加大了对人工智能领域的投入，包括Google、Facebook、微软投入巨大，人工智能进入爆发式增长的拐点。这份关于人工智能领域的报告分析，我们一起来了解。

这份报告分为三大部分：

第一部分 人工智能领域即将进入产业爆发的拐点

第二部分 人工智能细分领域与产业链

第三部分 人工智能产业的投资逻辑

来源：wpr

近日，美国三院院士、机器学习泰斗、加州伯克利大学教授Michael I. Jordan在北京“AI+智适应教育峰会”发表了开场演讲。

他认为，AI是要建立一个新的智能系统，并不是要复制人的智能或智慧。

过去的40年间真正发生的是智能增强（IA），超人式的AI现在并没有发生，包括数据处理、数据分析、搜索引擎、自然语言翻译等都应该是IA。

人类未来想要让我们有一种新的方式变得更加智慧，建设的人工智能并不是要取代人类，

他表示:“讨论人工智能,人们往往会忽视经济因素。”。

演讲实录（中文译文）：

Michael Jordan：大家好。我很高兴来到这里。我对人工智能+教育这个话题很感兴趣。我是一名研究人员和教育家。我整个职业生涯都当过教授。我也是个学习者。我很高兴有这个机会。我非常喜欢学习，我希望有机会学习。在家一起学习。

什么是人工智能？我们能教人工智能吗？人工智能可能不是很清楚的概念，还在变化，在未来的几十年里也会有很多变化，那么，我们如何才能在人工智能飞速发展的时代更好地进行教育呢？

在过去的40年里发生了什么事不是人工智能,但IA(智能增强)

在我看来，人工智能不是复制人类的智慧或智慧，而是建立一个新的智能系统，不一定是“人工智能”或“人类智能”。我们可以给你经济学的概念，这是一门工程学学科，它把一切联系在一起，包括决策、数据、人类推理等等。当然，在这个过程中，数据将处于中心，包括各种项目，甚至土木工程、化工等。

固体,“机器学习”和“数据科学”的“人工智能”的概念,最主要的是结合计算机系统,基于数据。有时会有不同的人，会有不同的用途，但关键是要有数据分析。

计算机科学是如何发展的？首先，我们需要数据，我们如何扩展和分析这些数据，而现在当我们谈论人工智能时，我们经常忽略经济方面，把不同的要素、机构联系在一起，这样，我们就可以通过互动获得更好的结果。

在人工智能的发展,我们将讨论更多的是如何模仿人类,而不是讨论经济内容。我在这个网站上发表了一篇论文，现在有成百上千的观点在讨论人工智能是什么。

人工智能已经被应用到很多方面，目前比较传统的人工智能概念是人类模仿，实际上，我们并没有真正很 好地利用人工智能。如果你认为现在有超人的人工智能，那现在就不会发生了。我们还有很长的路要走。

过去40年是智能增强(IA),包括数据处理、数据分析,你的搜索引擎,自然语言翻译能做到这一点,和推荐系统。由于我们增强的技术，它们变得越来越智能。

我认为我们想要建立人工智能，而这种人工智能并不是要取代人类，而是让我们有一种新的方式来变得更聪明。在过去的几十年里，甚至现在，我们也有智能基础设施的发展，包括大量的数据、设备、数据流，我们将与它们进行交互。通过这些设备,我们都有自己的经济学概念的一个希望,想了解设备,但也想了解别人。现在我们需要理解这一点，并做出一些妥协。

我想说的是，我们现在面临的挑战实际上更多的是关于决策的内容，决策的不确定性。我们想把人工智能和神经科学结合起来，但我们不能。所以,如何使用AI做出更好的决策?仍然有很多不确定因素。此外，我们有很多数据系统，因此我们将考虑多个决策。人们可以一个接一个地做出不同的选择，而机器可以同时做出许多决定。以滴滴为例，优步(Uber)可以在任何地方每小时做出很多决定，让不同的司机接送不同的乘客，这样的决策是相互关联的，人类并不擅长做出这样的同时决策。

我们如何教人工智能课程吗?

有两个很重要而且相关的问题。我们如何教育人工智能？同时，如何运用这些概念进行教学呢？这两个问题是相关的，我将把重点放在第一个问题上，因为我知道许多其他会议都将集中讨论第二个问题，以便这两个问题都能得到解决。

首先说,我想和你谈谈我的教学工作在伯克利,我们有一个教训的“数据”,连接计算思维和推理思维。我的同事三年前教过这门课程的第一版，现在我也要教这门课了。这门课程是关于数据科学的基础知识，把计算机科学和统计学联系起来，就像机器学习一样，但比机器学习更广泛。

我们是大一新生，他们第一次进入大学时就学过这样的课程。当时没有数学教学，但是计算机被用来教算法和编程。他们不需要做大量的数学学习,我们在加州伯克利,教会了超过一千名学生每学期,然后将快速增长,本课程是现在互联网可以让人们免费下载。

我们的第一门课程就是这样，这门课程很受欢迎。我们现在数据科学领域，希望一些人能够做数据和计算机。你不仅要学习编程，还要学习一些基本的计算机和统计技能。我们将使用抽样和抽样统计的角度来看,又放进电脑。例如，通过这样的程序，我们可以提供一些特殊的软件来帮助我们搜索和浏览网页。

我是个统计学家，我个人对这个观点很感兴趣，我们会发现数据背后隐藏着很多东西，我们需要首先知道数据的来源。我们要搜索数据背后的真实世界，这也是我在计算机科学世界中学到的。

我们应该做些什么呢?我们不仅要教编程,统计数据,有时两者想结合。我们看程序设计课程，学习一些专业语言、词汇和术语，我们还需要做一些抽样，一些抽样结果并不特别好。

同时，我们必须对数据非常小心，特别是在涉及隐私问题时，我们需要对数据做一些好的事情，以使数据非常保密。有时我们必须对数据进行加密，我们必须进行推理。我们要平衡数据隐私和使用之间的权衡。

我们需要首先处理数据，而不是立即挖掘数据背后的内容。例如，我们现在有很多数据，其中包括人们的名字和他们居住的地方。这是银行数据，我们可以保密。对于这些数据,当然,我也可以使用这些数据的处理其他适当的隐私。

例如，在医学数据方面，我们还有相关的数据库，包括人们的年龄、预期寿命以及何时得到何种治疗，这是非常典型的医学数据。我想隐私病人的数据，我只能关注数据库中的人。银行的例子也是，我只能关注我的客户的隐私，他们中的一些可能是我们的客户，另一些不是我们的客户，所以他们的数据不能输入我的样本。和歌词的分类,嘻哈音乐和乡村音乐,这是分类的问题,也与A / B测试。

除了核心课程之外，还有额外的课程，我们称之为“连接器”课程，这些课程将教授给不同专业的学生。他们将有特定的领域，如社会学或遗传学，等等，我们也将建立一个这样的课程网络。例如，在第一年，我们的课程看起来就像屏幕上的连接器，它们会越来越受欢迎，我们将教授一些核心思想，我们将不得不把核心想法。核心课程与若干不同学科相互作用。所以我认为这些数据科学是触动很多不同的学科,尤其注意人工智能。

附部分PPT

2010年以来，基于深度学习的人工智能技术陆续在谷歌、Facebook、百度等顶尖互联网公司获得广泛应用；2016年，谷歌的战略重心已从“移动先行”全面转向“人工智能先行”；2017年被称为中国人工智能元年，相关行业投融资近千笔。

数据观微信小编获悉，近日，行业领先媒体IT耳朵联合权威数据机构IT桔子共同发布了《2017年人工智能行业发展研究报告白皮书》，对2017年中国人工智能行业发展做详细解读，涵盖行业概况、创投趋势、行业应用案例、焦点问题等内容，以数据驱动发展、洞见行业未来。

责任编辑：王培

Think in Cloud 2018 大会人工智能专场都有哪些干货分享，赶快来看看吧！

—End—

欲知更多详情请在以下链接下载完整版PPT

《如何利用公有云快速落地AI应用》

http://static.ucloud/1236e1a5f86e3a56f999f67102a72333.pdf

《嵌入式设备上的实时深度学习方法实践》

http://static.ucloud/87537ba04529076062e4270cfbe4fa75.pdf

《基于云计算构建机器学习系统的实践》

http://static.ucloud/8266c48c1fc5c0d414c9731013ab431e.pdf

《AI 技术在客服领域的应用实践》

http://static.ucloud/9a3e2ec26068e24fec5492f7eae96526.pdf

《AI 技术在教育领域的应用》

http://static.ucloud/39e90e4874a874e788bb035975c747ad.pdf