上海交通大学《2019 中国人工智能医疗白皮书》发布

AI 读片快准稳,微缩机器人“助手”深入人体直捣病灶——人工智能与医疗领域的结合,会不会将更多疾病预防在前,或者让普通人看病更容易?日前,上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布了《人工智能医疗白皮书》 。该白皮书包含人工智能医疗发展历史、政策分析、行业现状、面临的挑战及趋势分析四大部分,全面分析了世界主要国家人工智能医疗研究的热门领域、面临的主要挑战和未来发展趋势,为我国人工智能医疗行业的政策制定、学术发展、投资策略、产品应用等提供了智力支持和政策依据。

近年来,在国家政策的支持与驱动下,在互联网、大数据、人工智能等前沿技术的支撑下,我国智慧医疗进入飞速发展时期。国家新一代人工智能、脑科学与类脑研究重大专项逐步启动实施,智慧医疗科技研究与产业发展步入新的阶段。

2018 年 1 月,上海交通大学人工智能研究院揭牌成立,医疗健康是其优先发展方向之一。上海交通大学人工智能研究院常务副院长杨小康表示,“上海交大具有十多年医工交叉合作基础,医学院和 13 家附属医院对人工智能技术应用的普遍需求、转化医学国家重大科技基础设施的建设应用等,为智慧医疗的建设发展奠定了坚实的基础。”

据介绍,这是上海交通大学人工智能研究院发布的首份人工智能医疗白皮书,也是目前行业内该领域最新最全的白皮书报告。该白皮书全面分析了人工智能在医学影像、辅助诊断、药物研发、健康管理、疾病预测这五大医疗主要应用领域的痛点、发展优势、应用场景、行业现状、商业模式,并对目前我国人工智能医疗领域面临的挑战进行了分析,对行业未来发展趋势进行分析,提出了发展建议。

2020 年中国智能物联网(AIoT)研究报告

近日,艾瑞咨询发布了《2020 年中国智能物联网(AIoT)研究报告》。

智能物联网(AIoT)是 2018 年兴起的概念,指系统通过各种信息传感器实时采集各类信息(一般是在监控、互动、连接情境下的),在终端设备、边缘域或云中心通过机器学习对数据进行智能化分析,包括定位、比对、预测、调度等。

预计 2025 年我国物联网连接数近 200 亿个,万物唤醒、海量连接将推动各行各业走上智能道路。2019 年,受益于城市端 AIoT 业务的规模化落地及边缘计算的初步普及,中国 AIoT 市场规模突破 3000 亿大关直指 4000 亿量级,由于 AIoT 在落地过程中需要重构传统产业价值链,未来几年发展节奏较为稳定。

当前 AIoT 技术和商业快速落地,然而,认知智能层面的发展仍然较慢,行业标准与规范化不足,大规模物联网设备的安全问题也有待重视。

在物联网和人工智能时代,消费领域和产业领域都面临新机遇,这一机遇窗口期内,用户触达能力和内容服务生态聚合能力是最重要的资源,具备明星产品+自有操作系统产品的企业更易突围,成长为 AIoT 时代的所在场景服务的核心者。

德勤 2019年《全球人工智能发展白皮书》

德勤科技、传媒和电信行业联合推出《全球人工智能发展白皮书》。《全球人工智能发展白皮书》深入研究新一代人工智能技术步入商业化阶段后,在全球各主要城市的创新融合应用概况,以及其将对金融、教育、数字政务、医疗、无人驾驶、零售、制造业、智慧城市等各行业带来的深刻变革。

CVPR 2020 论文及开源项目汇总

日前,CVPR 2020 中选论文正式放榜,跨象乘云™ 为您带来了相关论文及对应开源项目的代码汇总项目 —— CVPR 2020 论文开源项目合集。该项目完整覆盖了新一代人工智能科研在:图像分类、目标检测、3D 目标检测、目标跟踪、语义分割、实例分割、视频目标分割、NAS、GAN、Re-ID、3D 点云、人脸检测、活体检测、人脸表情识别、人体姿态估计、场景文本检测、场景文本识别、模型剪枝、行为识别、人群计数、深度估计、视觉问答、视觉语言导航、视频压缩、行为轨迹预测、数据集等方面的多领域应用。

GitHub地址项目 GitHub 地址

2019 年 AI 人才技能指数报告(含数据)

Coursera 是一个高等教育的在线平台。近日,Coursera 发布了《2019 年 AI 技能指数报告》,Coursera 全球技能指数(Global Skills Index)利用这一丰富的数据(Coursera-ai-global-skills-index-2019-data),对 60 个国家和 10 个行业的商业、技术和数据科学技能进行了基准测试,以揭示世界各地的技能发展趋势。Cousera 全面衡量了各国在人工智能以及数学、机器学习、统计、统计编程和软件工程等相关技能方面的技能熟练程度。这些相关技能涵盖了在组织和社会中构建和部署新一代人工智能AI)技术所需的知识范围 ——

  • 数学:进行和应用人工智能研究所需的理论背景
  • 统计学:拟合和衡量人工智能模型影响所需的经验技能
  • 机器学习:构建自我学习模型(如:深度学习和其他监督模型)所需的技能,这些模型为当今大多数人工智能应用提供了动力
  • 统计编程:实现如 Python 和相关包(如:scikit learn 和 pandas)中的 AI 模型所需的编程技能
  • 软件工程:设计和扩展 AI 支持的应用程序所需的编程技能

该指数清晰定义了面向不同方向的人才定位及培养目标,其对应的知识体系及技能需求。对于高校在制定人工智能、人工智能技术服务专业人才培养计划的过程中,如何匹配学校定位,人才培养目标,院校专业特色,区域经济优势,设计出最佳课程体系,具有非常高的参考价值。其思路与跨象乘云™ 设计的,面向多个新一代人工智能专业方向的课程体系与人才培养魔方模型,覆盖了新一代人工智能的四大核心方向,包括:算法模型、开发工程、商业应用、部署架构,不谋而合。

global-skills-index
global-skills-index

开源人脸口罩检测模型

『山川异域,风月同天』—— 新冠肺炎疫情牵动着举国上下的心,包括跨象乘云™ 在内,众多高科技企业除了向灾区捐赠物资,配合疫情防控工作,延期复工 / 远程办公的同时,也在积极探索如何利用大数据、新一代人工智能等新技术为『战疫』助力。

近日,AIZOO 开源了 PyTorchTensorFlowMXNetKerasCaffe 等五大主流深度学习框架的人脸口罩检测模型和代码。同时,对于学习《多框架人工智能开发》课程的人工智能专业学生而言,是非常好的项目锻炼。

GitHub地址项目 GitHub 地址

吴恩达人工智能系列课程资源

随着近些年来 AI 越来越火的大趋势下,吴恩达一直致力于普及、宣传、推广 AI 教育,包括最前沿、最火爆的 AI 基础课程、深度学习课程等等。本文为截至目前吴恩达 AI 系列课程资源数理,以便为新一代人工智能专业师生梳理一条客观可参考的新一代人工智能学习路径。

    • Machine Learning》:在 Coursera 上发布,涵盖了机器学习的主要知识点:线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等。课程中没有复杂的公式推导和理论分析,让机器学习初学者能够快速对整个机器学习知识点有比较整体的认识,便于快速入门。具备完整的中文笔记在线笔记,以及课后作业(Python / Jupyter)。
    • CS229:吴恩达在斯坦福教授的《机器学习》(CS 229)课程与 Coursera 上的《Machine Learning》类似,但比 Coursera 上的更全面和进阶,对机器学习和统计模式识别进行了广泛的介绍,非常适合在学完《Machine Learning》之后的提升。具备完整的在线笔记配套资源精炼知识点速查表完整速查表机器学习的数学基础,以及线性代数和概率论的翻译
    • Deep Learning Specialization》:吴恩达在 CourseraDeeplearing.ai 上同时发布,开设了由 5 门课组成的深度学习专项课程,掀起了一股人工智能深度学习热潮。该专项课程可以说是深度学习入门的最佳课程之一!不仅知识体系完善,涵盖神经网络基础、浅层神经网络、深层神经网络、神经网络优化、CNN、RNN 等知识;而且配备了相当专业的编程题。在国内的网易公开课上同步发布,具备完整的汉化视频,在线笔记-1 / –2知识卡片,以及完整的 GitHub 资源。
    • CS230:吴恩达在斯坦福大学又开设了高质量的深度学习课程。在这门课中,你将学习深度学习的基础,理解如何构建神经网络,并且学习如何领导一个成功的机器学习项目。课程配备的代码都可以使用 Python 和 TensorFlow 来实现。这门课采用翻转课堂的教学形式,你可以在家观看教学视频,完成深度编程作业和在线测试,然后来到课程做进一步讨论并完成最后的大项目。具备完整的在线视频国内平台项目示例代码课程知识点归纳总结,以及完整速查表 GitHub 资源
    • TensorFlow in Practice》:吴恩达在 Coursera 上线了新的《TensorFlow in Practice》专项课程。显然,这门专项课程更加注重实践,而且使用现在最火热的深度学习框架 TensorFlow。该专项课程总共包含四门课:《TensoFlow 和机器学习、深度学习的介绍》、《TenSorFlow 中的卷积神经网络》、《TenSorFlow 中的自然语言处理》、 《序列、时间序列和预测》。
    • TensorFlow: Data and Deployment》:吴恩达在 Coursera 又有 TensorFlow 专项课程了,这回的主要内容放在了 TensorFlow 移动和 Web 端机器学习,包括:TensorFlow.js、TensorFlow Lite 等 Web 或移动端的使用。主要介绍使用 Tensorflow.js、TensorFlow Lite、TensorFlow Hub 等工具进行数据分析的方法。
    • AI For Everyone》:这是一门非技术课程,更主要的是教大家如何将 AI 业务布局到公司,以及谈谈 AI 对社会的影响。你可以从这门课程中学到:常见人工智能术语的含义,包括神经网络、机器学习、深度学习和数据科学;人工智能做什么,不能做什么;如何在工作中寻找布局 AI 的机会;如何与 AI 团队合作并建立公司 AI 战略;怎么看待 AI 道德伦理。
    • Machine Learning Yearning》:历时半年的大作《Machine Learning Yearning》英文版和中文版《机器学习训练秘籍》已重磅问世了!这本书《Machine Learning Yearning》能够从以下几个方面给你带来收获:优先考虑 AI 项目最有前途的方向;调试机器学习项目中的错误;在复杂设置中构建 ML,例如训练/测试样本不匹配;构建一个 ML 项目,接近甚至达到人类水平;知道什么时候、如何使用端对端学习、迁移学习和多任务学习。具有在线阅读中文版,以及中文版 GitHub 等完整资源。

2020 年人工智能开源生态圈

深度学习为核心的新一代人工智能技术发展到今天,已逐步形成一个庞大的生态结构,覆盖了:经典机器学习深度学习强化学习自然语言处理语音识别计算机视觉、分布式训练、自动建模、IDEs 系统、平台、评分推理系统等完整的细分领域 —— 正确合理的选择与开发内容相匹配的工具,常常会使科学研究工作事半功倍,同时,选择正确高效的工具也是技术应用类专业建设的重要环节。

跨象乘云™ 持续致力为高等院校打造深度学习与新一代人工智能科研教学一体化实验平台,在进一步将深度学习系统与容器化基础设施架构紧密集成的同时,对新一代人工智能开源生态系统提供全方位的支撑,加速高校科研效率及科研成果落地。详细项目列表如下 ——

1. 机器学习

  • SciKit-learn —— 强大的基于 Python 语言的机器学习算法库
  • XGBoost —— 在 Gradient Boosting 框架下实现了 C++机器学习算法
  • Accord.NET —— 完全用 C#编写的音频和图像处理库

2. 深度学习

  • TensorFlow —— 用于机器学习的端到端开源平台
  • PyTorch —— 主流的深度学习工具,开源的机器学习框架
  • MXNET —— 功能齐全,可编程和可扩展的深入学习框架
  • Sonnet —— 由 DeepMind 发布的,在 TensorFlow 上用于构建复杂神经网络的开源库
  • DL4J —— 采用 Java 和 JVM 编写的开源深度学习库

3. 强化学习

  • Gym —— 用于开发和比较强化学习算法的工具
  • Dopamine —— 基于 Tensorflow 的框架,为新入门强化学习研究人员提供的新工具
  • ReAgent —— Facebook 推出的一个构建决策推理系统的模块化端到端平台
  • Tensorlayer —— 面向科学家的深度学习和强化学习库

4. 自然语言处理

  • BERT —— 基于双向 Transformer 的大规模预训练语言模型,NLP 领域中里程碑
  • Transformers —— 神经机器翻译中使用的神经网络,近期 PyTorch-Transformers 非常火爆
  • AllenNLP —— 基于 PyTorch 的 NLP 研究库,利用深度学习来进行自然语言理解
  • flair —— 简单易用的 Python NLP 库,允许将当前最优自然语言处理(NLP)模型应用于文本
  • spaCy —— 工业级强度级的 Python 自然语言处理工具包
  • fastText —— Facebook 人工智能研究实验室(FAIR)开源的一个文本处理库

5. 语音识别

  • Kaldi —— 目前使用广泛的开发语音识别应用的框架
  • DeepSpeech —— 开源语音转文本引擎
  • wav2letter —— Facebook AI 研究院开源的,简单高效的端到端自动语音识别(ASR)系统

6. 计算机视觉

  • YOLO —— 当前深度学习领域解决图像检测问题最先进的实时系统
  • OpenCV —— Intel 开源的跨平台计算机视觉库,被称为 CV 领域开发者与研究者的必备工具包
  • Detectron2 —— 在单个或多个 GPU 服务器上提供更快速的训练速度
  • OpenPose —— 以 Caffe 为框架开发的人体姿态识别项目
  • facenet —— 通用人脸识别系统

7. 分布式训练

  • Spark MLlib —— 开源集群运算框架,大数据领域热门开源软件
  • Mahout —— 分布式线性代数框架,用于快速创建可扩展的高性能机器学习应用程序
  • Horovod —— Uber 开源的一个跨多台机器的分布式深度学习的 TensorFlow 训练框架
  • Dask —— 当开发者需要并行化到多核时,将计算扩展到多个内核甚至多个机器
  • Ray —— 高性能分布式执行框架,热门程度仅次于 Spark

8. 自动建模

  • TPOT —— Python 编写的软件包,利用遗传算法进行特征选择和算法模型选择
  • AutoKeras —— 基于高效神经架构搜索的开源项目,媲美 Google 的 AutoML
  • Featuretools —— 用于自动化特性工程的开源 Python 框架
  • NNI —— 微软发布的一个用于神经网络超参数调整的开源 AutoML 工具包
  • AdaNet —— Google 开源的一个轻量级的基于 TensorFlow 框架的神经网络搜索

9. IDEs

  • Jupyter —— 涵盖了跨数十种编程语言的交互式计算
  • Spyder —— 用于科学计算的使用 Python 编程语言的集成开发环境
  • Zeppelin —— 基于 Web 的交互式数据分析平台

10. 平台

  • H2O —— 开源的分布式内存机器学习平台,支持最广泛使用的统计和机器学习算法
  • MLflow —— 机器学习生命周期的开源平台
  • Kubeflow —— Kubernetes 上的机器学习分布式训练任务支持

11. 评分推理系统

  • ONNX —— 针对机器学习所设计的开放式的文件格式,用于存储训练好的模型
  • Seldon —— 让机器学习模型可以部署于 Kubernetes 上

中科院《2019 年人工智能发展白皮书》PPT 下载

人工智能正在全球范围内引领新一轮科技革命和产业变革升级。自 2006 年深度学习算法被提出、2012 年开始大数据爆发式增长以来,人工智能领域的各项技术分支也在不断发展,人工智能相关的产业化落地方案和商业化模式逐渐清晰,人工智能的细分领域技术分支的代表性企业及其竞争格局也逐渐形成。

2020 年 1 月,中国科学院大数据挖掘与知识管理重点实验室发布了《中国科学院 2019 年人工智能发展白皮书》,白皮书重点分析了人工智能各个细分领域的关键技术和产业应用,白皮书指出计算机视觉技术、自然语言处理技术、跨媒体分析推理技术、智适应学习技术等八大技术是目前人工智能领域的关键技术,安防、金融、零售、交通、教育等产业中蕴含着人工智能的典型应用场景,肯定了人工智能开放创新平台对于全行业的重要推动价值,并推出全球人工智能企业 TOP 20 榜单,供业内人士借鉴。本白皮书内相关数据根据调研数据分析而成,仅做学术探讨和参考。

OpenAI 采用 PyTorch 作为其深度学习框架标准

OpenAI 发布最新消息,正在 PyTorch标准化自家深度学习框架。与此同时,OpenAI 发布了一个 PyTorch 版本的开源教育资源,能够让人们更容易学习深度强化学习。不少人认为,OpneAI 的行为是正常选择的确,大量研究人员从 TensorFlow 转投 PyTorch 已成趋势。