一般认为，推荐系统是最典型的机器学习和大数据应用之一。推荐系统可以以定制化方式向用户介绍产品和信息，同时可以增强用户的满意度和忠诚度。

LinkedIn从成立之日起，就在很多高价值、高使用度的数据产品中集成了推荐系统，比如“猜您认识”（People You Might Know，简称PYMK）功能。从那时起，几乎LinkedIn的每条产品线都会包含一个推荐系统，典型的像职位推荐（job recommendation）、推荐关注（people to follow，company to follow）和课程推荐（courses to take）等。

本次演讲将从上层视角透视这些推荐系统，分享我们所使用的技术，以及在大规模构建、部署和运维方面的挑战。

Uber的外卖服务(Uber Eats)自2015年12月在多伦多推出以来，已经在全球超过40个国家400个城市上线并持续快速发展。本次议题将讨论人工智能在Uber Eats中的应用和我们在过去两年高速增长中遇到的挑战，重点介绍时间预测和智能派单，顺带餐厅推荐和动态定价，并通过一些案例分享来了解人工智能在Uber Eats中的迭代和影响，以及了解我们的工程师和数据科学家为让Uber Eats无论何时、无论何地都能快速、可靠、高效地送达所做的努力。

TensorFlow.js is the recently-released JavaScript version of TensorFlow that runs in the browser and Node.js. In this talk, we want to introduce the TensorFlow.js ML framework, and show with demo on how to perform the complete machine-learning workflow, including the training, client-side deployment, and transfer learning.

数据标注在人工智能领域是决定数据质量的关键一环，而丰富的标签是成功的机器学习建模的先决条件。在诸如图像识别、文本识别和语音识别等领域，未知的图片、文本和音频往往因为需要人工打标签而耗费大量成本。半监督学习正是一种潜在的降低此类成本的方法。通过人工智能和人工标注更有效的“互动”，半监督学习可以加速数据标注的流程。

主要内容

1. 人工智能领域数据标签简介

2. 半监督学习简介，以及和有监督学习、无监督学习的区别

3. 半监督学习常见方法

4. 半监督学习加速数据标注的机制

听众收益

1. 了解到人工智能领域易被忽视却又至关重要的一环：数据标注

2. 理解机器学习领域监督学习，无监督学习和半监督学习的区别

3. 了解到人工智能领域利用半监督学习加速数据标注的实例