今日精選四篇好文，包括昨日科大訊飛創始人劉慶峰關于人工智能的主題演講、《程式員》雜志原創文章——興趣Feed技術架構與實作、MXNet 被亞馬遜 AWS 選為官方深度學習平台的一些思考、以及對貝葉斯推理的多角度解讀。詳情請看下文【點選題目即可進入原文】
劉慶峰——科大訊飛人工智能的過去和未來
@雷鋒網
2016 年 11 月 23 日，科大訊飛舉行了年度釋出會，董事長劉慶峰的做了主題演講，總結人工智能的過去和未來，詳細講述了科大訊飛這幾年的成果。
劉慶峰表示：“這一年來，人工智能在網際網路搜尋的熱度指數，一直居高不下，一直處于熱點，處于風口浪尖之上。
到今天這個時間點，也會有人在讨論人工智能第三次浪潮究竟是什麼？第三次浪潮是否也會像前兩次一樣，很快也會大潮退去？是不是今天我們對人工智能未來的預測過于樂觀了？這是一個真正的産業大潮還是概念的泡沫？
要解答這個話題，我想首先要有科學的精神：用理性的思維來真正看今天的技術，到底可以達到什麼樣一個階段？而不是用預言家的角度，非常感性地來做武斷的判斷……”詳文
流動的推薦系統——興趣Feed技術架構與實作
@CSDN
本文為《程式員》原創文章。作者：陳開江@刑無刀。金融科技公司天農科技CTO，曾任新浪微網誌資深推薦算法工程師，考拉FM算法主管，先後負責微網誌反垃圾、基礎資料挖掘、智能客服平台、個性化推薦等産品的後端算法研發，為考拉FM從零建構了個性化音頻推薦系統。
我們經常談論的推薦系統（Recommender System），從形式上看是比較“靜态”的推薦，通常位于網頁主要資訊的周邊，比如電商網站的“看了又看”、“買了又買”。這種推薦系統在大多數場景下無法獨立撐起一款産品。
依據維基百科Recommender System詞條的定義：“推薦系統是資訊過濾系統的子類，專門用于預測使用者對一個項目偏好或者評分進行預測”，則興趣Feed也是一種推薦系統：它預測使用者對社交網絡中相鄰節點動态内容喜好程度，并根據喜好程度決定這些動态内容的展示順序。
Feed是一種資訊流，就是我們看到的“動态”、“新鮮事”。當使用者與一些内容源建立了連接配接（如關注、贊、收藏等）之後，這些内容源産生的新動作，就會源源不斷地通過連接配接流向使用者，不同内容源産生的動态被聚合後呈現在使用者面前，就是Feed……詳文
如何評價 MXNet 被亞馬遜 AWS 選為官方深度學習平台
@雷鋒網
昨日，亞馬遜 CTO Werner Vogels 在博文中寫到 MXNet 被 AWS 正式選擇成為其雲計算的官方深度學習平台。Vogels 表示：
AWS将會為使用者提供軟體代碼、文檔，并且将會投入力量在 MXNet 的研發，以及企業級生态上。
MXNet 是一個全功能、靈活且高擴充性的深度學習架構，支援深度學習模型中的卷積神經網絡和長期短期記憶網絡。由學術界發起，由華盛頓大學和卡内基梅隆大學的研究人員聯合發起。
其實 AWS 此前也支援過其他的深度學習架構，如 TensorFlow、CNTK、Caffe、Torch，但這次 MXNet 直接被選為官方平台，成為正室。TensorFlow 和 CNTK 架構分别由谷歌和微軟發起，而 Caffe 則是來自加州大學伯克利分校的伯克利人工智能研究實驗室。
針對 MXNet 被 Amazon AWS 選為官方深度學習平台這一事項，業内人士發表了自己的看法……詳文
多重角度解讀：貝葉斯推理是怎麼工作的
@阿裡雲雲栖社群
本文首先介紹了貝葉斯的起源，并利用簡單的例子生動形象地講解了貝葉斯定理是如何工作的，解釋了其基本原理以及公式的實體含義。
貝葉斯推理是一種從資料中獲得更清晰預測的方法，當沒有足夠多想要的資料時，并想獲得這些資料全部的預測強度時，貝葉斯推理是特别有用的。
雖然貝葉斯推理有時候被描述得有些讓人敬畏，但它既不是魔法也不神秘。盡管在數學公式上可以獲得詳細的解釋，但其背後的概念是完全可以獲得的。總之，貝葉斯推理允許你從資料中通過折疊已經知道的答案來作出更強的結論。
貝葉斯推論是基于托馬斯·貝葉斯的想法，托馬斯·貝葉斯是一位不墨守成規的長老會牧師，他寫過兩本書，一本是關于神學，另外一本是關于機率。他的作品包括現在著名的貝葉斯定理的原始形式，已經被應用到推理、基于教育的猜測技術術語等問題上。貝葉斯思想的流行源自另外一位牧師——理查德·普萊斯。他看到貝葉斯定理的意義後、将其提煉并出版，貝葉斯推理更加準确和曆史的叫法是貝葉斯定理貝葉斯-普萊斯規則……詳文
130+位講師，16大分論壇，中國科學院院士陳潤生、滴滴出行進階副總裁章文嵩、聯想集團進階副總裁兼CTO芮勇、上交所前總工程師白碩等專家将親臨2016中國大資料技術大會，票價折扣即将結束，預購從速。
想要更多幹貨？請關注CSDN人工智能公衆号AI_Thinker。