机器学习在推荐系统和智能硬件中的应用

在本次微型课程中，我将介绍两个硅谷前沿的项目，通过对项目实践中的解析，让大家对机器学习的架构、算法等有更深入地了解，也可以通过这两个案例，启发听众如何更好地使用机器学习落地到真实业务场景中。

a：机器学习@智能硬件
随着如手机、智能手表和生物传感器等便携式设备的普及，数字化自跟踪技术近几年已经获得了长足发展。同样，用于监测、存储和分析人类自跟踪数据的信息管理系统设计也在不断的优化。
和以往任何时候相比，由于技术的快速发展，使得收集生物数据和生理数据这个过程变得越来越容易，例如心电图(ECG)，血氧饱和度(SpQ2)，心率(HR)，脑电波信号(EEG)，皮肤电反应(GSR)，血压，含氧量，体温等等。这些自跟踪数据可以帮助我们通过监测和分析这些数据，来更好地理解个体的健康状况。正因为此，挖掘传感数据中的隐含价值受到越来越多工业界和学术界的关注。
在这部分，我们将聚焦在介绍机器学习平台在传感数据中的应用，详细对利用多源传感器数据结合机器学习技术来检测人体行为项目做详细介绍。在这一项目中，首先收集位于Bristol (UK)的智能家庭传感器数据，包括重力传感器，环境传感器和三维视觉传感器，之后通过机器学习技术来构建人类行为监测模型。这一机器学习系统能通过分析传感数据，动态准确的检测日常生活里的人体行为活动。

b：机器学习@推荐系统和信息检索
随着各种便携式设备如平板电脑、Kindle、Chromebook的广泛使用，在线教育、培训和娱乐等内容越来越流行。和传统的纸质材料相比，电子读物更具互动性，可以在线传播，学习更多的在线相关内容，遇到理解障碍可以在线查询，拓展知识视野，还可以阅读过程中添加注释，缩放，或者播放阅读内容里的嵌入视频多媒体资源。
然而，纸质读物也有自身优势，例如阅读速度更快，不会分心，不需要考虑和电子设备的兼容，成本低，最重要的是，绝大多数学生需要纸质读物。排除这些优势，我们相信在电子技术的辅助下，纸质读物仍然是学习的主体，而且也不该被电子设备完全替代。所以如何兼顾电子和纸质内容的优点，提供更合理的内容投递是一个挑战也是机遇。
这一部分将重点介绍METIS学习系统，该系统将电子和纸质读物内容的优势结合起来，为未来的高效阅读体验提供混合式的增强手段。我会在演讲中介绍并分析该系统中的机器学习架构设计和算法技术，其中包括如何融合数据相关性，可读性，以及用户的个性化信息进行内容推荐。