數(shù)據(jù)不足的情況下，我們可以利用數(shù)據(jù)增強的方式進行彌補；訓練效率的問題，可以通過預訓練模型+遷移學習的方式節(jié)省訓練時間；而在整個“煉丹”的過程中，我們也可以通過超參推薦實現(xiàn)自我優(yōu)化，減少人工調(diào)參的成本；同時加上靈活的部署方式，可以實現(xiàn)高精度AI模型一站式開發(fā)與部署。
在5月9日晚7點的高精度AI模型公開課百度EasyDL專場中，百度AI開發(fā)平臺高級研發(fā)工程師餅干老師，為大家系統(tǒng)講解企業(yè)在AI模型開發(fā)中的難點，以及針對這些難點，百度EasyDL專業(yè)版又是如何解決的。
1、企業(yè)在開發(fā)與部署AI模型中面臨的挑戰(zhàn)
2、AI開發(fā)平臺EasyDL介紹
3、EasyDL技術(shù)原理解析
4、腳本調(diào)參和Notebook開發(fā)方式介紹
5、EasyDL企業(yè)應用案例
6、實操：飲品檢測模型訓練、調(diào)優(yōu)與部署
百度算法大牛講解基于EasyDL訓練并部署AI模型
機器人輔助穿衣通常人工的將衣服附在機器人末端執(zhí)行器上，忽略機器人識別衣服抓取點并進行抓取的過程，從而將問題簡化
基于行為序列的深度學習推薦模型搭配高性能的近似檢索算法可以實現(xiàn)既準又快的召回性能，如何利用這些豐富的反饋信息改進召回模型的性能
卡扣式裝配廣泛應用于多種產(chǎn)品類型的制造中，卡扣裝配是結(jié)構(gòu)性的鎖定機制，通過一個機器學習框架將人類識別成功快速裝配的能力遷移到自主機器人裝配上。
羅晶博士和楊辰光教授團隊提出，遙操作機器人系統(tǒng)可以自然地與外界環(huán)境進行交互、編碼人機協(xié)作任務和生成任務模型，從而提升系統(tǒng)的類人化操作行為和智能化程度
專家(查紅彬,陳熙霖,盧湖川,劉燁斌,章國鋒)從計算機視覺發(fā)展歷程、現(xiàn)有研究局限性、未來研究方向以及視覺研究范式等多方面展開了深入的探討
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
Adam 算法便以其卓越的性能風靡深度學習領域，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
人體姿態(tài)估計便是計算機視覺領域現(xiàn)有的熱點問題，其主要任務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”
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
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
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
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
