Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Hinton、LeCun、Bengio三巨头,马维英、陈海波等华人入选,2023 ACM Fellow公布

本届 ACM Fellow 包揽了万维网发明者、深度学习三巨头等重磅名人学者。

今天,美国计算机协会 ACM(Association for Computing Machinery)公布了最新一届 Fellow 名单。

ACM 创立于 1947 年,是全世界计算机领域影响力最大的专业学术组织之一。

ACM Fellow 是由该组织授予资深会员的荣誉,目的为表彰会员中对于计算机相关领域贡献前 1% 的学者,其审查过程十分严格,每年遴选一次,研究员由同行提名,提名由委员会审查。

本年度新入选科学家中共有 68 人,他们的贡献涉及网络安全、人机交互、移动计算和推荐系统等领域。

令人惊奇的是,曾获得 ACM 图灵奖的深度学习三巨头 Geoffrey Hinton、Yoshua Bengio、Yann LeCun,今年全部入选 ACM Fellow。

今年入选者还包括马维英、陈海波等多名华人学者。

以下是本次入选成员的完整名单:

Aditya Akella

  • 机构:德克萨斯大学

  • 入选理由:在提升集群计算的性能、效率和稳健性方面做出贡献。

Michael Backes

  • 机构:CISPA

  • 入选理由:在信息安全和隐私方面做出贡献。

Vineet Bafna

  • 机构:加州大学圣地亚哥分校

  • 入选理由:在生物信息学算法的理论、设计和实现领域做出贡献。

Yoshua Bengio

图片

  • 机构:Mila、蒙特利尔大学

  • 入选理由:在概念和工程方面的突破使得深度神经网络成为计算的关键组成部分。

Maria-Florina Balcan

  • 机构:卡内基梅隆大学(CMU)

  • 入选理由:对机器学习基础研究及其在算法经济学和算法设计领域的应用做出贡献。

Nikhil Bansal

  • 机构:密歇根大学

  • 入选理由:对近似算法和在线算法的基础研究以及它们与数学的关联做出贡献。

Mikhail Belkin

  • 机构:加州大学圣地亚哥分校

  • 入选理由:对现代机器学习理论和算法做出贡献。

Shai Ben-David

  • 机构:滑铁卢大学

  • 入选理由:在机器学习理论研究的领导方面做出贡献。

Vaughn Timothy Betz

  • 机构:多伦多大学

  • 入选理由:对现场可编程门阵列(FPGAs)的架构和计算机辅助设计做出贡献。

Ramon Caceres

  • 机构:谷歌

  • 入选理由:对移动和边缘计算做出贡献。

Chandra Chekuri

  • 机构:伊利诺伊大学厄巴纳 - 香槟分校(UIUC)

  • 入选理由:对近似算法和 zi 模块优化做出贡献。

陈海波(Haibo Chen)

图片

  • 机构:上海交通大学

  • 入选理由:为改进操作系统和分布式系统的可扩展性和安全性做出贡献。

  • 陈海波为上海交通大学特聘教授、并行与分布式系统研究所所长,领域操作系统教育部工程研究中心主任。他曾当选 IEEE Fellow、ACM 杰出科学家等,主要研究方向为操作系统、分布式系统、形式化方法、系统安全、系统结构。

Yingying (Jennifer) Chen

图片

  • 机构:罗格斯大学

  • 入选理由:对移动传感和移动安全系统的设计和应用做出贡献。

  • Yingying (Jennifer) Chen 为罗格斯大学电气与计算机工程教授,她曾当选 IEEE Fellow、AAIA Fellow、NAI Fellow 和 ACM 杰出科学家,研究兴趣包括移动医疗、物联网、网络安全和隐私、移动计算和传感等。

Kenneth Ward Church

  • 机构:EAI、美国东北大学

  • 入选理由:对自然语言处理中的实证方法做出贡献。

Roger B. Dannenberg

  • 机构:卡内基梅隆大学(CMU)

  • 入选理由:通过创新计算机音乐系统对计算机科学做出贡献。

Xin Luna Dong

图片

  • 机构:Meta

  • 入选理由:对知识图谱构建和数据集成做出贡献。

  • Xin Luna Dong 为 Meta Reality 实验室首席科学家,领导构建智能个人助理相关的机器学习工作,对情境 AI、多模式对话、搜索、问答、推荐和个性化、知识收集和挖掘等技术进行创新和生产。

Rolf Drechsler

  • 机构:德国不来梅大学

  • 入选理由:对形式证明技术在合成、测试和验证中的基础研究和应用做出贡献。

Wenliang Du

图片

  • 机构:雪城大学

  • 入选理由:对网络安全教育和研究的贡献。

  • Wenliang Du 是雪城大学教授,教授计算机安全已有 20 余年。在美国国家科学基金会(NSF)的资助下,他在 20 年间开发了 40 多个实验室(称为 SEED 实验室)。这些实验室现已被 1100 多所大学、学院和高中所使用。

Pradeep Dubey

  • 机构:英特尔

  • 入选理由:对新兴计算和数据密集型应用程序以及并行处理计算机架构的贡献。

Anja Feldmann

  • 机构:马克斯・普朗克研究所、柏林工业大学

  • 入选理由:对运营网络的数据驱动分析做出贡献。

George Fitzmaurice

  • 机构:Autodesk 公司

  • 入选理由:对人机交互和实体用户界面(TUI)的贡献。

Fedor Fomin

  • 机构:卑尔根大学

  • 入选理由:对参数化复杂性和精确指数算法开发的贡献。

Jeffrey S. Foster

  • 机构:塔夫茨大学

  • 入选理由:对程序分析和技术做出贡献,以构建更可靠和安全的软件。

Jianfeng Gao

图片

  • 机构:微软

  • 入选理由:对用于网络搜索、自然语言处理和会话系统的机器学习做出的贡献。

  • 高剑峰是 IEEE 会士、微软公司杰出科学家、微软公司副总裁。在微软,他领导着深度学习小组。该小组的使命是推进深度学习的最新技术及其在自然语言和图像理解中的应用,并在对话模型和方法方面取得进展。

Ian Goldberg

  • 机构:滑铁卢大学

  • 入选理由:为发展及应用加强私隐的技术做出的贡献。

Sumit Gulwani

  • 机构:微软

  • 入选理由:为面向开发人员、数据科学家、终端用户和学生的 AI 辅助编程做出的贡献。

韩竹(Zhu Han)

图片

  • 机构:休斯顿大学

  • 入选理由:对大规模通信网络的分布式和自主管理做出贡献。

  • 韩竹于 1997 年获得清华大学电子工程学士学位,1999 年和 2003 年分别获得马里兰大学帕克分校电子与计算机工程硕士和博士学位。目前,他是休斯顿大学电子与计算机工程系以及计算机科学系的 John and Rebecca Moores 教授。他的主要研究目标是新颖的博弈论相关概念,这些概念对于在有限的资源下实现无线网络的高效和分布式使用至关重要。

Geoffrey Hinton

图片

  • 机构:多伦多大学

  • 入选理由:概念和工程上的突破,使深度神经网络成为计算的关键组成部分。

Nicole Immorlica

  • 机构:微软研究院

  • 入选理由:对经济学和计算的贡献,包括市场设计、拍卖和社会网络。

Trent Jaeger

  • 机构:宾夕法尼亚州立大学

  • 入选理由:对操作系统和软件安全的研究和教育做出贡献。

Kenneth Richard Koedinger

  • 机构:卡耐基梅隆大学

  • 入选理由:对促进人类学习的 AI 模型的发展并开发智能导师来帮助学生的贡献。

Andreas Krause

  • 机构:苏黎世联邦理工学院

  • 入选理由:对不确定条件下基于学习决策做出的贡献。

Christopher Ian Kruegel

  • 机构:加利福尼亚大学圣巴巴拉分校

  • 入选理由:对系统安全、恶意软件检测和漏洞分析做出的贡献。

孔祥重(H.T. Kung)

图片

  • 机构:哈佛大学

  • 入选理由:对计算机体系结构和并行计算的并发控制的贡献。

Yann LeCun

图片

  • 机构:纽约大学

  • 入选理由:在概念和工程上的突破使得深度神经网络成为计算的关键组成部分。

Tim Berners-Lee

图片

  • 机构:万维网联盟

  • 入选理由:发明了万维网、第一个网络浏览器以及允许网络扩展的基本协议和算法。

David Lo

  • 机构:新加坡管理大学

  • 入选理由:为实现人机协同自动化与协同软件分析做出贡献。

Wenjing Lou

图片

  • 机构:弗吉尼亚理工学院暨州立大学

  • 入选理由:对信息和网络安全做出贡献。

  • Wenjing Lou 是弗吉尼亚理工学院计算机科学系的 W. C. English 讲座教授,她的研究兴趣集中在区块链机器学习系统中的隐私保护以及物联网(IoT)系统中的安全和隐私问题,是 Web of Science Group 引用率最高的研究人员之一。目前,她担任 IEEE INFOCOM 指导委员会副主席,同时是 IEEE Fellow。

马匡六(Kwan-Liu Ma)

图片

  • 机构:加利福尼亚大学戴维斯分校

  • 入选理由:对大规模数据可视化研究做出贡献及在其领域的领导地位。

  • 马匡六(Kwan-Liu Ma)是加州大学戴维斯分校计算机科学系的杰出教授,他领导着 VIDI 实验室和加州大学戴维斯分校 Excellence for Visualization 中心。他的研究领域包括可视化、计算机图形学、人机交互和高性能计算。目前,他带领研究团队致力于大数据可视化、可视分析、视觉叙事、科学可视化、智能系统和沉浸式可视化等领域的研究。他还担任了多项国际顶刊的编委,是 LFHCfS 的成员,在 2012 年入选 IEEE Fellow。

马维英(Wei-Ying Ma)

图片

  • 机构:清华大学

  • 入选理由:对网络搜索和数据挖掘做出贡献及在其领域的领导地位。

  • 马维英现任清华大学智能产业研究院任首席科学家。他的研究方向包括人工智能的几个核心领域(搜索、大数据挖掘机器学习自然语言理解与生成)。加入清华大学后,他带领科研团队在人工智能与生物、化学、生命科学等领域推进跨学科研究与应用。此前曾任字节跳动副总裁兼人工智能实验室主任、前微软亚洲研究院常务副院长。他曾在世界级会议和学报上发表过逾 300 篇论文,并拥有 160 多项技术专利,同时也是 IEEE Fellow、ACM Distinguished Scientist,是多项国际顶刊的编委以及许多国际会议的组织和程序委员会成员。

茅斫青(Z. Morley Mao)

图片

  • 机构:密西根大学

  • 入选理由:对互联网安全和性能的贡献

  • 茅斫青(Z. Morley Mao)是密歇根大学电气工程和计算机科学系的教授。在加州大学伯克利分校获得了学士、硕士和博士学位。她的研究兴趣包括网络系统、移动和分布式系统以及网络 / 系统安全。

Deborah McGuinness

  • 机构:伦斯勒理工学院

  • 入选理由:对知识技术的贡献,包括本体论和知识图谱

Gerard G. Medioni

  • 机构:亚马逊

  • 入选理由:对计算机视觉及其面向消费者的应用做出的贡献。

Sharad Mehrotra

  • 机构:加利福尼亚大学尔湾分校

  • 入选理由:对数据管理、多媒体信息检索和应急响应领域的贡献。

Seffi Naor

  • 机构:以色列理工学院

  • 入选理由:对在线、随机和近似算法的贡献。

Shrikanth Narayanan

  • 机构:南加州大学

  • 入选理由:对语音、语言、多媒体处理、情感计算及其以人为中心的应用做出的贡献。

Natasha Noy

  • 机构:谷歌研究院

  • 入选理由:对开放数据、数据发现和 Semantic Web 的贡献。

Corina S Pasareanu

  • 机构:NASA 艾姆斯研究中心、卡内基梅隆大学

  • 入选理由:对符号执行和组成验证的发展和应用做出的贡献。

Massoud Pedram

  • 机构:南加州大学

  • 入选理由:对 VLSI 电路的低功耗设计和节能计算做出的贡献。

Anand Raghunathan

  • 机构:普渡大学

  • 入选理由:为节能计算系统的设计做出的贡献。

Benjamin Raphael

  • 机构:普林斯顿大学

  • 入选理由:对计算生物学的贡献,包括癌症基因组学 / 进化算法和生物网络分析。

Dana Ron

  • 机构:特拉维夫大学

  • 入选理由:对次线性时间逼近算法做出的贡献。

Tim Roughgarden

  • 机构:哥伦比亚大学

  • 入选理由:对算法博弈论的贡献。

David Sankoff

  • 机构:渥太华大学

  • 入选理由:在计算生物学和生物信息学方面的研究和领导贡献。

Stefan Saroiu

  • 机构:微软

  • 入选理由:对内存安全和可信计算的贡献。

Albrecht Schmidt

  • 机构:慕尼黑大学

  • 入选理由:对人机交互、泛在计算和隐式交互的贡献,以及在 ACM SIGCHI 的领导地位。

Björn W. Schuller

  • 机构:帝国理工大学,慕尼黑工业大学

  • 入选理由:对计算机听觉、情感计算和健康信息学发展做出的实证和理论贡献。

Phoebe Sengers

  • 机构:康奈尔大学

  • 入选理由:对批判性人机交互和设计的贡献。

石润婷(Eaine Shi)

图片

  • 机构:卡内基梅隆大学

  • 入选理由:对遗忘计算和去中心化区块链科学基础的贡献。

  • 石润婷的研究重点是安全、密码学和编程语言。她于 2008 年获得卡内基梅隆大学博士学位,2003 年获得清华大学工学学士学位。她曾获得 Packard Fellowship、Sloan Fellowship、NSA 最佳科学网络安全论文奖等。

Noah Snavely

  • 机构:康奈尔科技校区,谷歌

  • 入选理由:对计算机视觉计算机图形学的贡献。

Ram D. Sriram

  • 机构:美国国家标准与技术研究院 NIST

  • 入选理由:在工程和卫生保健领域建立创新的计算工具和自动化技术方面做出贡献。

Steffen Staab

  • 机构:斯图加特大学、南安普敦大学

  • 入选理由:对语义技术和网络科学的贡献,以及对 ACM 社区的杰出服务。

Alexander Szalay

  • 机构:霍普金斯大学

  • 入选理由:表彰他在系统、大数据、开放数据和社区服务方面的贡献。

Manik Varma

  • 机构:微软印度研究院

  • 入选理由:对机器学习及其应用的贡献。

王晓峰(XiaoFeng Wang)

图片

  • 机构:印第安纳大学伯明顿分校

  • 入选理由:对系统安全和隐私的贡献。

  • 王晓峰现任印第安纳大学计算机科学与工程学院 James H. Rudy 教授,同时他还是信息学、计算和工程安全与隐私中心的联合主任,以及安全计算科学硕士 (MSSC) 项目主任,他也是 IEEE Fellow。他的研究重点是系统安全和数据隐私,重点研究移动和云计算中的安全和隐私问题,以及人类基因组数据传播和计算中的隐私问题。王晓峰教授在科研中也收获了众多荣誉,包括隐私增强技术杰出研究奖(PET 奖)、第 32 届 IEEE 安全与隐私研讨会最佳实用论文奖(IEEE S&P Oakland)以及在第 26 届网络和分布式系统安全研讨会 (NDSS) 上获得两篇杰出论文奖。

Kilian Weinberger

  • 机构:康乃尔大学

  • 入选理由:对机器学习深度学习研究的贡献。

Emmett Witchel

  • 机构:得克萨斯大学奥斯汀分校

  • 入选理由:对高性能、并发和安全系统的贡献。

谢幸(Xing Xie)

图片

  • 机构:微软亚洲研究院

  • 入选理由:对空间数据挖掘推荐系统的贡献。

  • 谢幸博士于 2001 年 7 月加入微软亚洲研究院,现任资深首席研究员,中国科学技术大学兼职博士生导师,微软 - 中科大联合实验室主任,以及中国计算机学会普适计算专委会副主任,此外,他还是 CCF Fellow、IEEE Fellow。目前,他领导的研究团队致力于数据挖掘、社会计算和负责任人工智能等领域的研究。

原文链接:https://www.acm.org/media-center/2024/january/fellows-2023

产业ACMACM Fellow
相关数据
微软亚洲研究院机构

微软亚洲研究院于1998年在北京成立,是微软公司在亚太地区设立的基础及应用研究机构,也是微软在美国本土以外规模最大的一个研究院。微软亚洲研究院从事自然用户界面、智能多媒体、大数据与知识挖掘、人工智能、云和边缘计算、计算机科学基础等领域的研究,致力于推动计算机科学前沿发展,着眼下一代革命性技术的创新,助力微软实现长远发展战略。

http://www.msra.cn
英特尔机构

英特尔(NASDAQ: INTC)是全球半导体行业的引领者,以计算和通信技术奠定全球创新基石,塑造以数据为中心的未来。我们通过精尖制造的专长,帮助保护、驱动和连接数十亿设备以及智能互联世界的基础设施 —— 从云、网络到边缘设备以及它们之间的一切,并帮助解决世界上最艰巨的问题和挑战。

http://www.intel.cn/
相关技术
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
字节跳动机构

北京字节跳动科技有限公司成立于2012年,是最早将人工智能应用于移动互联网场景的科技企业之一,是中国北京的一家信息科技公司,地址位于北京市海淀区知春路甲48号。其独立研发的“今日头条”客户端,通过海量信息采集、深度数据挖掘和用户行为分析,为用户智能推荐个性化信息,从而开创了一种全新的新闻阅读模式

https://bytedance.com
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

计算机图形技术

图像数据处理、计算机图像(英语:Computer Graphics)是指用计算机所创造的图形。更具体的说,就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

信息检索技术

信息检索(IR)是基于用于查询检索信息的任务。流行的信息检索模型包括布尔模型、向量空间模型、概率模型和语言模型。信息检索最典型和最常见的应用是搜索引擎。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

自然语言理解技术

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

本体论技术

在计算机科学与信息科学领域,理论上,本体是指一种“形式化的,对于共享概念体系的明确而又详细的说明”。本体提供的是一种共享词表,也就是特定领域之中那些存在着的对象类型或概念及其属性和相互关系;或者说,本体就是一种特殊类型的术语集,具有结构化的特点,且更加适合于在计算机系统之中使用;或者说,本体实际上就是对特定领域之中某套概念及其相互之间关系的形式化表达(formal representation)。本体是人们以自己兴趣领域的知识为素材,运用信息科学的本体论原理而编写出来的作品。本体一般可以用来针对该领域的属性进行推理,亦可用于定义该领域(也就是对该领域进行建模)。此外,有时人们也会将“本体”称为“本体论”。

普适计算技术

普适计算是一个强调和环境融为一体的计算概念,而计算机本身则从人们的视线里消失。在普适计算的模式下,人们能够在任何时间、任何地点、以任何方式进行信息的获取与处理。普适计算是一个涉及研究范围很广的课题,包括分布式计算、移动计算、人机交互、人工智能、嵌入式系统、感知网络以及信息融合等多方面技术的融合。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据管理技术

数据管理是利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程,其目的在于充分有效地发挥数据的作用。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

情感计算技术

情感计算(也被称为人工情感智能或情感AI)是基于系统和设备的研究和开发来识别、理解、处理和模拟人的情感。它是一个跨学科领域,涉及计算机科学、心理学和认知科学(cognitive science)。在计算机领域,1995年Rosalind Picard 首次提出affective computing。研究的目的是使得情感能够模拟和计算。这个技术也可以让机器人能够理解人类的情绪状态,并且适应它们的行为,对这些情绪做出适当的反应。这是一个日渐兴起的兴欣领域

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

博弈论技术

博弈论,又译为对策论,或者赛局理论,应用数学的一个分支,1944年冯·诺伊曼与奥斯卡·摩根斯特恩合著《博弈论与经济行为》,标志着现代系统博弈理论的的初步形成,因此他被称为“博弈论之父”。博弈论被认为是20世纪经济学最伟大的成果之一

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

数据集成技术

数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中,从而为企业提供全面的数据共享。在企业数据集成领域,已经有了很多成熟的框架可以利用。目前通常采用联邦式、基于中间件模型和数据仓库等方法来构造集成的系统,这些技术在不同的着重点和应用上解决数据共享和为企业提供决策支持。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

自动化技术技术

自动化技术是一门综合性技术,它和控制论、信息论、系统工程、计算机技术、电子学、液压气压技术、自动控制等都有着十分密切的关系,而其中又以“控制理论”和“计算机技术”对自动化技术的影响最大。一些过程已经被完全自动化。

数据可视化技术

数据可视化被许多学科视为现代视觉传达的等价物。为了清晰有效地传递信息,数据可视化使用统计图形、图表、信息图和其他工具。数字数据可以使用点、线或条编码,以视觉传达定量消息。有效的可视化帮助用户对数据进行分析和推理。它使复杂的数据更容易理解和使用。用户可以根据特定的分析任务进行数据可视化,例如进行比较或理解因果关系,并且图形的设计原则(即,显示比较或显示因果关系)来进行可视化。表通常用于用户查找特定测量的地方,而各种类型的图表用于显示一个或多个变量的数据中的模式或关系。

本体技术

在计算机科学和信息科学中,本体包括表示、正式命名和定义概念,数据,实体之间的类别,属性和关系,并在一个,多个或所有域实例中。

Jianfeng Gao人物

微软研究院人工智能深度学习组合作研究经理、IEEE Fellow,研究兴趣主要为自然语言处理、强化学习等。

现场可编程门阵列技术

FPGA(Field Programmable Gate Array)是在PAL、GAL等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC)领域中的一种半定制电路而出现的,既解决了定制电路的不足,又克服了原有可编程器件门电路数有限的缺点。

推荐文章
暂无评论
暂无评论~