王晓明

最近这两三年，深度学习技术逐步成为了 IT 圈最热门的技术。大多数软件工程师、计算机方向的在校生都尝试过做一些深度学习方面的学习和实践。但是很多人在学习深度学习的第一步就被数学这只拦路虎给挡住了，继而很多人就调转方向，远离深度学习这个热门而又神奇的AI技术。本场 Chat 试图从深度学习工程实践的视角，帮助广大工程师朋友们梳理和学习深度学习中所用到的微积分部分的知识。本文是深度学习数学基础的第一篇，后续会推出《线性代数和向量微积分》、《概率与统计》、《凸优化》三篇文章。 本场 Chat 主要内容如下： &nbsp;&nbsp;1.函数与极限；<br> &nbsp;&nbsp;2.导数与sigmoid激活函数；<br> &nbsp;&nbsp;3.微分与积分；<br> &nbsp;&nbsp;4.单调与凸函数；<br> &nbsp;&nbsp;5.Softmax Loss 的梯度推导。<br>

连接组学主要是通过分析神经元之间的连接和组织方式来达到分析大脑的运行机制这一终极目的的一门学科。深度学习是机器学习的一个分支，是受人类大脑神经元结构启发的学习算法。未来五年内的 AI 能达到什么程度？我们应该从什么方向进行探索？ 本文没什么干货，就是想和广大人工智能爱好者异想天开的畅想一下人工智能的未来。

医学影像与人工智能的结合，是数字医疗领域较新的分支和产业热点。医学影像的解读需要长时间专业经验的积累，医生的培养周期相对较长，很多程度上，深度学习和医生的学习过程是一样的，通过海量知识的学习理解和应用，而人工智能在对图像的检测效率和精度两个方面，可以做得比专业医生更快。 大数据与人工智能等前沿技术在医疗领域应用已经成为一种趋势，将大数据驱动的人工智能应用于癌症诊断中，无疑为患者僻出一线生机，不仅可以挽救无数患者的生命，而且对于缓解医疗资源和医患矛盾也有重大意义。本场 Chat 主要包含以下内容： 1. 医疗影像的简要介绍 2. 用 Python 进行图像处理的基础 3. 用于图像识别的神经网络 4. 胃癌病理切片的识别 5. AI 技术在医疗领域的前景分析

2017 年高考结束了，但围绕高考展开的人工智能故事却还在持续发酵中。数学高考机器人的自动解题系统是人工智能领域的前沿性研究，涉及到人工智能技术的多个领域，包括图形识别、语音识别、自然语言处理等。本场 Chat 主要包含以下内容： 1. 人工智能求解数学题的历史与现状 2. 自动求解数学题目的难点和挑战 3. 深度学习与自动解题系统 4. 知识图谱、符号系统在自动解题中的应用 5. 数学自动解题系统的未来展望