【学习】Facebook 机器学习@Scale 2017 资料汇总

上周，Facebook了举办了机器学习@Scale 大会，大会汇集了众多数据科学家、工程师和研究人员，他们讨论大规模应用机器学习解决方案中的技术挑战范围。

300 多名与会者聚集在曼哈顿大都市西部，听取来自 Bloomberg，Clarifai，Facebook，Google，Instagram，LinkedIn和 ZocDoc 的工程领导人的讲话，他们分享了各种不同的方法来构建数百万甚至数十亿人使用的机器学习系统。

有关大会和演讲的摘要，请查看下面的视频。如果您有兴趣加入下一个活动，请访问@Scale网站或加入@Scale社区。

设计支持日常生活的大规模AI

Joaquin Candela，Facebook

Joaquin 分享了Facebook 如何进行和应用行业领先的研究，以帮助推动AI学科，如计算机视觉和语言理解的进步。

彭博社的搜索和排名

Parth Vasa，彭博社

Parth 讨论了提供有效搜索金融市场，平衡准确性和速度的需求，数据的多样性以及难以从瞬间获得准确市场的困难的挑战。他描述了机器学习如何帮助彭博社解决这一挑战。

LinkedIn 成员的出版物和专利的匹配

Xiaoqiang Luo，LinkedIn

Xiaoqiang介绍了一个最近的项目，其中从网络中抽取的由LinkedIn成员创建的论文、专利和其他专业内容自动匹配到他们的创作者。匹配的内容作为领英的移动平台上的通知发送给LinkedIn成员，为人们提供了轻松地向其个人资料添加内容的机会。

学习拍卖

Andres Munoz Medina，Google

Andres 描述了在收益最大化的重复拍卖中学习的挑战。

Instagram的预测性Feed排名模型的测量和分析

Thomas Dimson, Instagram

Thomas 使用 Instagram的 Feed 排名作为一个工作实例，来探讨量化网络效应的问题，同时探索不同寻常的 A/B 测试技术，例如国家级测试、平衡图分区测试和作者端实验。

检测大规模访问位置

Danielle Rothermel和Jan Kodovsky，Facebook

Jan 和 Danielle 提供了深入了解能够解释大规模移动设备的位置信号的系统的机会。他们展示的案例研究暴露了他们的团队面临的挑战，同时设计和生产系统，了解人们在物理世界中的时空运动，并在Facebook上的一系列位置感知产品。

使用机器学习进行医学专科分类

Michelle Ye，ZocDoc

作为数据科学家，Michelle Ye 发表了她的观点，谈到了 通过一个组织来扩大工程理念的挑战，以获得购买并为公司和最终用户带来好处。

原文链接：

http://mp.weixin.qq.com/s?__biz=MzI4NjYwMjcxOQ==&mid=2247483913&idx=1&sn=ae214bfcf0bafd4beb930748e9c4fcaa&chksm=ebdb26b9dcacafafa5dc2d761900957b140c1c390347740587914f8da6bc961c501d64bd72e3&mpshare=1&scene=23&srcid=0223qfFkWoLmh0eR352cal26#rd