lstm

早于上年，已有消息指科学家研发了可透过声音检测新冠肺炎，而此并非空穴来风。据知，科学家成功开发了一个手机应用程序，不用1分钟便能透过声音测到新冠呈阳性定阴性，而准确性也颇高，推出市面后有望可减低检测成本。 据知，是荷兰研究人员发现新冠病毒会影响呼吸道和声带，导致患者声音出现变化

1、利用自然语言处理技术和机器学习算法对文本数据进行挖掘分析； 2、负责自然语言处理技术在机器翻译、自动批改、自动问答、人机对话、语义理解等方向上的应用研究； 3、负责自然语言处理相关核心技术研发及前沿算法跟踪，根据产品需求完成技术转化，推动业务发展。 能力要求： 3、实践过自然语言处理任务中的至少一种任务，包括但不限于分词、词性标注、命名实体识别、语言模型、句法分析、数据抓取、文本分类、文本检索、情感分析、自动问答、自动批改、自动摘要、机器翻译等； 5、熟悉面向文本的常见机器学习算法（逻辑回归、SVM、决策树、贝叶斯等）的原理与算法，以及CNN、RNN、LSTM、Sequence to sequence、GAN等模型者优先； 6、熟悉Hadoop、Spark、Nutch框架者优先； 7、有Tensorflow Caffe2 Theano等深度学习框架与自然语言处理结合实际项目经验者优先； 8、良好的英语阅读能力，学习能力强，能独立分析并解决问题。

1. 基于机器学习方法解决新药研发过程中相关环节的关键子问题，如生物/医药小分子生成、虚拟筛选等； 2. 阅读相关的前沿科技论文，对论文中的方法进行复现，并尝试进行改进和创新，实现算法原型的开发； 3. 将已有的算法原型集成到系统中，完成相关系统模块的开发； 1. 计算机、信息学、物理、生医工等相关专业本科及以上学历（985或211高校优先）； 2. 扎实的计算机基础知识，熟练掌握常用的数据结构与算法； 3. 有较强的代码能力，有过数据竞赛经历的优先； 5. 熟悉机器学习和深度学习的基本理论，熟悉常用的时间序列模型和图网络模型，包括但不限于RNN/LSTM，GCN等，熟 悉Transformer、GPT、BERT等；

“对话文本负面情绪识别主要是从对话文本中识别出每个话语的负面情绪近年来已成为了一个研究热点。然而让机器在对话文本中识别负面情绪是一项具有挑战性的任务因为人们在对话中的情感表达通常存在上下文关系。为了解决上述问题本文提出一种基于关系图注意力网络(Rational Graph Attention Network RGAT)和宽度学习(Broad Learning BL)的对话文本负面情绪识别方法即RGAT-BL

语音活动检测(Voice Activity DetectionVAD)，就是检测是否有声音，常规的算法是通过声音音量和频谱特诊来判断是否有声音的，但是无法区分是噪音还是人声，在电话机器人中噪音打断和噪音识别错误的关键词始终是一个痛点，机器学习算法可以通过大量噪音和人声数据训练出判别人声还是噪音的神经网络模型，VAD算法结合深度神经网络就可以彻底解决这个痛点了。 我们的最新VAD算法已经集成了人声噪音判别引擎。 基于10G的噪音声音文件和10G的正常人声的声音文件，使用tdnn(时延神经网络)和 lstm(长短期记忆网络)训练出噪音人声音判别模型

畅游人工智能之海--Keras教程之循环神经网络（三） 畅游人工智能之海--Keras教程之循环神经网络（三） | LSTM 如果用一句话总结LSTM的作用，它可以用来处理时序数据；如果用一句话总结卷积的作用，它用来处理空间数据。那如果是音频呢，图片随着时间变化，那我们就会想基于卷积和LSTM的结合来解决这个问题。 在处理图像时，我们通常先将数据处理成一维向量，这个过程一般通过卷积来完成，在得到了图像的一维卷积之后，我们就可以将数据接在LSTM上了

深度学习最近被应用在预测性业务流程监视领域中。其中的技术使我们能够预测（包括）事件中的下一个事件，事件何时发生以及哪些资源将触发它们。 它们还使我们能够生成业务流程的整个执行跟踪，甚至生成整个事件日志，这为使用此类模型实现流程仿真提供了可能性

本研究提出对2000张以上不同时间间隔的眼底图像进行三维、全方位的深入研究，提出一种基于时间敏感自注意机制的青光眼疾病智能辅助预测算法，实现对青光眼发病概率个体的准确预测。黄金城网站 3月12日至3月18日是第16届世界青光眼周，今年的主题是“关注青光眼:保护视力共识，保护光线指南”。青光眼是世界上第二大常见的失明眼病，也是世界上第一大不可逆致盲疾病，统计数据显示，全球约有7800万人患有青光眼，到2040年，这一数字将上升到1.1亿

这个项目主要涉及到两个网络，其中卷积神经网络用来提取图片表达的情绪，提取出一个二维向量。 词向量采用预训练的glove模型，d=50，其他信息包括了图片的“空旷程度”、亮度、对比度等信息，用来更好地描述图片特征。 对于图中的卷积神经网络，需要讲解的地方是：卷积核是一个一维卷积核，每一层卷积层之后都连接了池化层，做的是最大值池化，每一层之间有固定的dropout层，最后输出的向量与我们预先设定的label进行计算，损失函数定义为 式中使用了交叉熵和L2范数避免可能出现的过拟合，在实际训练中我们将会增减神经网络的层数，调整相应的超参数

“对话文本负面情绪识别主要是从对话文本中识别出每个话语的负面情绪近年来已成为了一个研究热点。然而让机器在对话文本中识别负面情绪是一项具有挑战性的任务因为人们在对话中的情感表达通常存在上下文关系。为了解决上述问题本文提出一种基于关系图注意力网络(Rational Graph Attention Network RGAT)和宽度学习(Broad Learning BL)的对话文本负面情绪识别方法即RGAT-BL