培训：深度培训

深度学习已经在图像／视频／自然语言等应用领域取得了飞速的进展，相对其它应用领域，推荐系统有其自身特点，比如数据稀疏／特征数量巨大／特征稀疏／存在大量离散特征等独有的特性。如何结合深度学习技术目前也是各种实际推荐应用关注的内容。本演讲分为两个方面：一方面对目前在推荐系统领域的召回和排序阶段采用深度学习的技术方案进行梳理介绍，在排序阶段将目前的常见深度学习推荐技术划分为：基于表示学习的模型和基于特征组合的模型两大类，并对比各种模型各自优缺点及合适的应用场景；另外一方面，对于深度学习技术如何应用在大规模工业场景也做了经验分享。并对推荐系统的技术发展趋势进行分析于说明。

当前以深度学习为基础的 AI 技术中，除了推荐系统，计算机视觉方面的应用是普及也能看到实际效果的领域。实际上，深度学习的崛起本身就是以卷积神经网络在图像识别应用上的惊人表现为开端，然后才开启了 AI 时代的大潮。计算机视觉方面的研究可大致分为图像分类、目标检测和图像分割等三大领域，而在其中实际应用广泛的，则是前两者：图像分类和目标检测。在本课程中，我们将从图像识别的原理开始，讨论卷积神经网络的工作原理和解决的问题，然后针对目标检测的两大典型流派 RCNN 系列和 YOLO 系列进行原理探讨和对比。最后我们会针对 Faster RCNN 和 YOLOv3 的具体模型，从代码实现入手，来学习它们具体是如何运作，并在此之上利用 Tensorflow Serving 实现一个目标识别的在线服务范例。

在微服务技术如火如荼的今天，越来越的团队希望通过微服务技术来加速产品的研发效率。但是很多关于微服务的介绍往往更多的集中在一些具体的微服务中间件的使用方法上，可以说更多的在“术”的层面。随着微服务技术发展非常火热，新技术层出不穷，企业不仅仅需要在大量的开源技术中选择适合的微服务技术，还需要针对开源系统做二次开发甚至自主研发新的系统。这种情况下，就需要工程师真正理解微服务技术背后的核心设计思想，也就是“道”的部分，这就是本课程的灵魂所在。讲师结合自身近 10 年的大规模分布式架构的研发经验，给大家分析一个相对完整的微服务技术栈的核心设计思想，结合典型案例帮助大家理解技术背后的本质。

随着近年技术飞速发展，微服务架构在各类系统中得到广泛应用，深度学习技术在推荐/搜索等产品领域不断取得新的进展，新型存储硬件也不断涌现，在这样的背景下，基础架构团队需要能够更好地应用新技术支持业务的高速发展和快速迭代，本课程将会结合百度后端服务架构实践，分享一些在业务基础架构建设方面的思考以及一些核心问题上的取舍，期望能为听众带来一些新的思路。