文/李建平，来源：建行报 让历史告诉未来。客户价值分析就是通过数学模型由客户历史数据预测客户未来购买力，这是数据挖掘与数据分析中一个重要的研究和应用方向。RMF方法就是让历史告诉未来的趋势分析法，利用RMF方法科学地预测老客户未来的购买金额，然后对产品成本、关系营销费用等进行推算，即可按年、按季度、按月预测出客户未来价值。这里以信用卡为例，讨论和分析信用卡客户价值。 一、预测模型 对银行而言，预测客户未来价值能够使银行将传统的整体大众营销推进到分层差异化营销、一对一差异化营销的高度，对不同的分层客户采取不同
编辑 | 绿萝 1 月 11 日，在机器之心 AI 科技年会上，分子之心创始人、美国芝加哥丰田计算技术研究所终身教授、清华大学智能产业研究院（AIR）卓越访问教授许锦波发表主题演讲《AI 蛋白质设计最新进展》，在演讲中，他介绍了蛋白质结构预测与蛋白质设计，他表示 AI 蛋白质结构预测只是一个开始，分享了分子之心开发的 AI 蛋白优化和设计平台——MoleculeOS，以及在蛋白质侧链、抗体抗原复合物结构预测的最新研究成果。「人工智能颠覆了蛋白质结构预测，并正在改变蛋白质优化设计。」 以下为许锦波在机器之心
6亿多种蛋白结构预测结果，而且还是“蛋白质中的暗物质”——宏基因组蛋白（Metagenomic Proteins）。
生老病死是自然规律，死亡更是人类不可避免的过程。那么，死亡是不是可以被预测呢？随着科技越来越发达，目前正火热的人工智能或许可以做到这一点。
与单标签图像分类相比，多标签图像分类是一种更符合真实世界客观规律的方法，尤其在图像和视频的语义标注，基于内容的图像检索等领域有着广泛的应用。
【新智元导读】昨天美国超级碗的比赛戏剧性十足。但是，如果告诉你，一家 AI 公司的预测平台早在开赛前就已经成功地精确预测出了最后的比分，这是不是更令人震撼？这家 AI 公司以“群集人工智能”（Artificial Swarm Intelligence）为名，曾多次做出令人叫绝的预测。不过，他们也曾在美国总统大选的预测上吃过败绩。那么，群集人工智能究竟是什么？在人工智能的发展上会是什么样的一种角色？本文带来详细解读。 2月6日，第51届“超级碗”美国国家橄榄球联盟（NFL）冠军总决赛在休斯敦落幕。新英格兰爱国
天气的影响因素，除了湿润度、风速、地形、温度还有很多维度，传统的天气预报是连续分析不同时刻的天气图，判断天气系统的移动方向和速度，进而做出未来天气状况的判断，而这也就很难预测出短时间内的天气变化了。
【导读】7月16日凌晨，2018 年俄罗斯世界杯在法国与克罗地亚间一场精彩的对决后落下帷幕。法国队时隔20年再次托起大力神杯，克罗地亚队获得亚军，创造了一个又一个奇迹，虽败犹荣。在过去的一个月里，无论是球迷经验与期望的预测，还是各路研究人员通过各种机器学习方法的预测，都没有人预测出这样的结果，FIFA 的结果无疑使这些预测有些尴尬。更是谁都没有预测到历经附加赛，三场加时赛，平均年龄近三十的格子军团凭借着钢铁般的意志，顽强拼搏的精神进入了决赛，而这些奇迹和促使奇迹发生背后的因素在我们的算法和模型中又该如何利用？这篇文章虽然不是在彻底解决这一些问题，但是对预测失败的案例分析让我们知道，不仅在 AI 技术应用过程中会受到很多限制，我们还有很长的路要走。
腾讯AI琴乐大模型是由腾讯AI Lab与腾讯TME天琴实验室联合研发的人工智能音乐创作大模型。这款模型以其先进的技术，能够根据用户输入的中英文关键词、描述性语句或音频，智能生成立体声音频或多轨乐谱，为音乐创作领域带来了革命性的变革。
作者｜李梅 编辑｜陈彩娴 后天就要高考了，各位是不是已经开始紧张了（误）？ 虽然咱不参加高考，但每年还是会例行关注一波高考作文题。毕竟都是被虐过的人，依稀还记得那些年的「丝瓜藤和肉豆须」、「举报我爹开车打电话」、「齐桓公、管仲和鲍叔」...... 而高考前，除了老师和考生，吃瓜群众也会积极投身于「语文作文押题」这一重大工程中 。 最近就有一位B站UP主 @图灵的猫 整出了新活，用AI预测出了今年高考最有可能出现的7大命题。 在视频里，UP主分别展示了这7个命题的「核心词」、「预测主题」和「模型表征」: 困
---- 新智元报道 编辑：拉燕 Aeneas 如願 桃子 【新智元导读】今天，AlphaFold又让学术界沸腾了。DeepMind官宣，AlphaFold可以预测出2亿多个蛋白质结构，几乎覆盖了整个「蛋白质宇宙」。 今天，DeepMind再次引爆学术界！ AlphaFold能够预测2亿多个蛋白质结构，实现数量级的重大飞跃。 最重要的是，全部免费开放！ 在未来，预测蛋白质结构就如同使用「谷歌搜索引擎」一样简单。 DeepMind的首席执行官Demis Hassabis称， 「这个数据库涵盖了整个
原作 Jeremy Kahn Root 编译自 Bloomberg 量子位 出品 | 公众号 QbitAI 对冲基金Euclidean科技公司创始人John Alberg，和亚马逊AI实验室的研究员Z
Facebook AI Research的六名成员研究了近期非常流行的Transformer神经网络架构，创建了一个端到端的目标检测AI。研究员声称这种方法简化了目标检测模型的创建，并减少了对手工组件的需求。
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 全世界几乎所有已知蛋白质结构，都被AlphaFold预测出来了！ 在预测出人类98.2%蛋白质一年后，DeepMind的重磅成果再次引爆学术界。 包括植物、细菌、真菌在内的100万个物种、2.14亿个蛋白质结构，现在都增加到了数据集中。 其中80%结构的可信度达到了足以支撑研究实验的水平，更有35%达到了高置信度。 而且这些数据全部免费开放！ DeepMind表示，以后查找蛋白质结构，会像使用搜索引擎一样简单。 创始人哈撒比斯发推激动地说： 这是我们给
原作 Melanie Ehrenkranz Root 编译自 Gizmodo 量子位 出品 | 公众号 QbitAI 加拿大预防自杀协会的数据显示，在加拿大，每天几乎有11个人自杀。 为了降低自杀率，提前给情绪低落的人提供精神方面的帮助，这个月加拿大政府启动了一个结合AI研究并预测国内的自杀率的试行项目。 由加拿大公共健康中心牵头，和一家AI公司Advanced Symbolics联手合作，把16万个社交账户上PO的内容都过一遍，找出那些讨论自杀的用户有什么样的共同点。 Advanced Symbolic
[1501552698539_9817_1501552698839.jpg] “凡人皆有一死。”当你进入权力的游戏，成不了赢家，就只有死路一条，马丁大神不会给你任何回旋的余地。 最近，权游剧迷Milan Janosov用机器学习算法量化并预测出了《权力的游戏》剧中每一位角色的命运，结果显示，就连三龙在手、一向顺风顺水的龙之母——丹妮莉丝·塔格利安女王也要步入死生之地了。 并且，龙妈之死的确信度还蛮高的。 [1501552726549_6349_1501552727463.gif] Milan Janosov
更重要的是，它没有用到3D形状建模 (Explicit 3D Shape Modeling) ，而是依靠2D纹理映射 (2D Texture Map) ，来完成渲染的。
常用的相差显微镜观察法，是从生物组织的一侧给光，对细胞损伤小，且材料准备过程非常简单。
他们运用一个端到端的多任务学习系统，从画面中识别人类行为和TA与周围环境的互动情况，然后根据这些信息，预测出这名行人未来的路径和行为。
最近世界杯正在打得火热，同时各个小组的排位赛也打得如火如荼。因此想着能不能用历年以来的世界杯成绩来模拟预测今年的夺冠球队呢？
欢迎大家来到《知识星球》专栏，这两天有三AI知识星球会更新一些光流估计相关的网络介绍，在视频分析等任务中，光流有着举足轻重的地位。
循环神经网络初探 不同于一张张独立的图像数据的处理，很多序列数据需要考虑到上下文信息，因此引入了循环神经网络(RNN)来进行序列数据的建模。春恋慕
近日，印度初创公司 Genic.ai 开发的 MogIA 人工智能系统一时间火遍了社交媒体，也登上了各大媒体的标题栏，如果你还不知道那真的是 out 了。 怎么回事呢？原来是在美国总统大选进入最后白热化竞争的冲刺阶段，MogIA 预测共和党候选人特朗普将击败民主党候选人希拉里，赢得最后的总统宝座。这套系统从谷歌、Facebook、Twitter 和 YouTube 上收集了 2000 万个数据点，随后利用人工智能技术对这些数据进行分析，得到预测结果。 预测归预测，究竟准不准呢？据国外媒体报道，这套早在 20
想必大家之前都做过抠图或者图片任务提取等任务，这有点想目前我们手机当中可以直接点击图片，然后将其复制到其它地方，就会自动出现这个任务图像一样。这里我们可以直接登录这个网站去尝试一下这个图像分割的魅力Segment Anything | Meta AI
AI 科技评论按：本文为雷锋字幕组编译的论文解读短视频，原标题 Learning Category-Specific Mesh Reconstruction from Image Collections，作者为 Angjoo Kanazawa。
循环神经网络（RNN）是人工神经网络中非常流行的一个版本，其可以很好地处理序列数据类型。该数据类型指的是将一组数据点以特定顺序排列，从而使相关的数据点一个挨着一个，具体的例子有：股票市场价格、音频和视频数据、DNA 序列、传感器数据、自然语言文本等等。
据国际研究小组称，计算机可以更好地预测出租车和共享服务需求，为更智能、更安全、更可持续的城市铺平道路。 在一项研究中，研究人员使用两种类型的神经网络——以人脑为模型的计算系统和分析出租车需求的模式。这
今天为大家介绍的是来自Mark Peplow的一篇文章。目前来自DeepMind的工具预测出近40万种稳定物质，一个自主系统学会了如何在实验室制造这些物质。
上一篇文章里简单介绍了AI产品经理需要具备的能力和对数据、算法需要理解的程度。本篇计划介绍一下机器学习的实际训练过程，来进一步的理解AI产品在日常工作中需要关注的内容。现简单的将训练流程划分为：定位要解决的任务类型 -> 选择合适的算法模型 -> 准备数据集 -> 训练模型 -> 调整参数 -> 模型评估及验收。
后AlphaFold2时代，蛋白质结构领域是否会出现学术研究的“军备竞赛”？代码开源，是否为各大药企和AI制药企业创造了一次最佳的超车机会？一系列的问题，从这篇文章里得到解答。
这项“脑补力”Max的新研究，来自UC伯克利大学等机构，被今年的学术顶级会议CVPR 2019收录。
由于是基于像素级的训练，所以需要每个像素都需要标签，这个标签包括每个像素所属的类别以及对应的三维空间坐标。
来源：七月在线实验室 本文约1200字，建议阅读5分钟 本文介绍了Science 封面的这项研究的最新成果，利用目前先进的神经网络技术，成功开发出了一种全新 RNA 三维结构预测模型——ARES。 前言：半个世纪以来，确定RNA三维结构一直困惑着科学家，也成为生物学的重大挑战之一。而现在，90后斯坦福大学博士和团队通过新型AI算法——ARES准确预测出RNA三维结构，堪比AlphaFold，是生物界海啸级存在！ 我们对大部分RNA的结构几乎一无所知。 半个世纪以来，确定生物分子的三维结构一直困惑着科学家，
使用RFM方法(最近购买日Recency, 各期购买频率Frequency, 各期平均单次购买金额Monetary)能够科学地预测老客户(有交易客户)今后的购买金额，再对销售毛利率、关系营销费用进行推算，就能按年、按季、按月分析出今后几期的客户价值。 在这里，客户价值指CRM毛利。CRM毛利 = 购买金额 – 产品成本 – 关系营销费用。 RFM方法是国际上最成熟、最为接受的客户价值分析方法，RFM实际上是一整套分析方法中的部分内容，但最具代表性，其它还包括客户购买行为随机模型、马可夫链状态移转矩阵方法、贝
DeepMind 表示，AlphaFold 是「该公司首个证明人工智能研究可以驱动和加速科学新发现的重要里程碑」。看来，人类医学研究要前进一步了。
Pedro Domingos Professor of computer science at U. Washington and author of “The Master Algorithm”. pedrodomingos.org 机器学习过去一直是幕后：亚马逊挖掘你的点击和购买数据来进行推荐，谷歌对搜索查询进行挖掘从而去做广告投放，而脸书会挖掘社交网络来选择展示给你的内容。但是现在机器学习已经成为了新闻头条，处在激烈讨论的浪口风尖。学习算法可以驾驶汽车、翻译演讲，甚至赢得知识比赛（Jeopardy）!
作者 | 周翔 知乎和今日头条，你能想象两者有一天会一言不合就相互 diss 吗？ 最近几天，知乎大V@恶魔奶爸的一条朋友圈成了今日头条旗下“悟空问答”和知乎之间 battle 全面爆发的导火索。 今日头条今年一口气签了300多个知乎大V，刚把我也签了，而且是给钱的，年收入比普通白领高。签完以后所有内容不可以再发知乎。优质的内容创作者被抢完了，所以知乎的质量每况愈下... 知乎联合创始人张亮则表示：“至少在过去一年时间里，我都很希望有俩人赶紧离开知乎，一个是‘恶魔奶爸’，另一个是‘霍老爷’。” 火药味十足。
每天给你送来NLP技术干货！ ---- 来源：https://zhuanlan.zhihu.com/p/274568639 作者：懒杰一点也不懒 编辑：AI算法小喵 1. Precision和Recall 名称 释义 TP(True Positive) 真阳性：预测为正，实际也为正 FP(False Positive) 假阳性：预测为正，实际却为负 TN(True Negative) 真阴性：预测为负，实际也为负 FN(False Negative) 假阴性：预测为负，实际却为正 TP、FP、TN、FN等
场景描述：美剧《切尔诺贝利》的热播，让观众再次感受了核事故的恐惧。通过将工智能技术应在核防护和核安全上面，会带来卓有成效的收获，也许，合理的利用人工智能「约束」核能的利用，才会更大的发挥资源的价值。
大数据文摘作品 编译：李雷、大茜、Aileen 算法和材料数据库正帮科学家预测哪些元素能合成新材料。 几百年来，人们一直是通过反复试验或者靠运气和偶然发现新材料。现在，科学家们正在使用人工智能来加速这一过程。 最近，西北大学的研究人员用AI来解决如何生成新的金属玻璃混合物的问题。这比起在实验室进行实验快了200倍。 科学家们正在构建由数千种化合物组成的数据库，以便用算法来预测哪些化合物的组合会形成有趣的新材料。还有人用AI来分析已发表的论文挖据“材料配方”以产生新材料。 过去，科学家和建筑工人们只能将材料混
刚刚，两位人工智能界的大牛：Google Brain团队的David Ha（从高盛董事总经理任上转投AI研究），瑞士AI实验室的Jürgen Schmidhuber（被誉为LSTM之父），共同发布了最新的研究成果：
读漫画对人工智能太难了 随着人工智能的不断发展，它似乎已经在很多方面赶超了人类——面部识别、物体识别，还有象棋、围棋、各种视频游戏。 人们不禁要问，还有什么事是 AI 做不好的呢？它在哪方面比不过人类？现在，马里兰大学帕克分校 ( UMCP ) 的一项研究告诉你，读漫画可能就是其中之一。 据国外媒体报道，马里兰大学 Mohit Iyyer 教授对 AI 读漫画书的能力进行了测试。结果显示 AI 在这一领域远远比不过人类。 漫画由一系列单独的图画构成，每部分都搭配文字解释，图文符合度很高。这样一来，如
备受期待的AlphaFold2数据库，是会成为专家们打开蛋白质功能奥秘的金钥匙，还是一场美丽的“科技泡沫”？
要知道，现实情况往往比训练AI的数据集复杂N倍，而研究人员打造的模型，往往只是研究传播对象的前几个步骤，然后将这个速率引入复杂的数学模型之中，来预测传播的广度和速度。
今天，Science 封面刊登了这项研究的最新成果，由斯坦福大学在读博士生 Stephan Eismann 和 Raphael Townshend，以及计算机副教授 Ron Dror共同完成。
它的分辨率为0.25度经度/纬度（在赤道处约为28×28公里），而目前的最高分辨率为1度。
作者简介 本文作者为携程基础业务研发部呼叫中心团队，其在传统呼叫中心基础上，结合软交换、智能分配、自动语音语义处理等技术，为携程用户提供人性化、人机互动、便捷的电话语音服务。 携程目前拥有15000+座席，日均电话呼出量30W左右，在如此规模的呼叫中心外呼业务中，我们不断尝试着去降低座席等待时长、提高外呼效率，从而为业务提供更加值得依赖的呼叫中心服务。 作为纯软平台，由携程自主研发的SoftPBX系统具有强大的功能灵活性与可扩展性，这也为提升座席外呼工作效率提供了技术可行性：根据算法预测出将要空闲的座席人数
点击上方↑↑↑“OpenCV学堂”关注我来源：公众号 机器之心 授权 来自 Mata AI、法国索邦大学、巴黎高师的研究者成功让 Transformer 直接预测出完整的数学表达式。 符号回归，即根据观察函数值来预测函数数学表达式的任务，通常涉及两步过程：预测表达式的「主干」并选择数值常数，然后通过优化非凸损失函数来拟合常数。其中用到的方法主要是遗传编程，通过多次迭代子程序实现算法进化。神经网络最近曾在一次尝试中预测出正确的表达式主干，但仍然没有那么强大。 在近期的一项研究中，来自 Meta AI（Fac
土话系列您可放心收看，不会有任何超出你认知的过于专业术语和名词，哪怕您python水平只有个基础，只会打开pycharm那种幼鸟级别，也足够跟着本教程制作出属于自己的AI本地化小模型，用于解决您的实际工作需要，也让未来AI大潮到来后，您不再是个门外汉围观者。如果您可以举一反三，那这个系列就是您成为AI测试大佬的第一步。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
