5?1460204756

尹刚 (Associate professor)

jacknudt

国防科学技术大学

Ta在确实 about 6 years

  • 湖南-长沙
  • 2013-06-25开始使用
  • 82118次访问(自2016年5月)
Ta的动态
5?1460204756

您好!欢迎加入Trustie社区 

本社区为您提供了丰富的协同教学、协同开发、协同研究的在线工具。


 对于老师,这里可以:

       + 创建课程,创建班级

       + 发布作业,发布问题,发布课件

       + 自动评阅,实时评估,统计分析

       + 发布测验,发布问卷,数据导出,... ...


 对于学生,这里可以:

      + 加入班级,下载课件

      + 发帖提问,提交作业,参与测验,... ...


 对于科研人员,这里还可以:

      + 创建项目,加入成员

      + 发布任务,问题跟踪

      + 代码托管,协同研讨,资源分享,... ...


平台上线以来,有很多师生加入,他们让平台变的更加精彩... ...

       image image image image image


欢迎您进一步了解网站:下载使用手册   

如您有任何问题,请直接回复本留言。

如果您想随时随地使用平台,请您使用Trustie微信服务号:


留言时间:12/15/2016 19:38
更新时间:12/15/2016 19:38
回复 ︿
0?1470885445
登录后可添加回复
5?1460204756
创建时间:12/08/2016 11:44
5?1460204756
创建时间:11/21/2016 19:06
5?1460204756
发布时间:08/18/2016 06:23
更新时间:08/18/2016 06:23

创新2.0,简单点说就是以前创新1.0的升级,1.0是指工业时代的创新形态,2.0则是指信息时代、知识社会的创新形态。创新2.0推动了科技创新主体由”产学研“向”政产学研用“,再向”政用产学研“协同发展的转变。专业点说即面向知识社会的下一代创新,它的应用可以让人了解目前由于信息通讯技术(ICT)发展给社会带来深刻变革而引发的科技创新模式的改变——从专业科技人员实验室研发出科技创新成果后用户被动使用到技术创新成果的最终用户直接或通过共同创新平台参与技术创新成果的研发和推广应用全过程。面向知识社会的科学2.0、技术2.0和管理2.0三者的相互作用共同塑造了面向知识社会的创新2.0引擎。创新2.0是知识社会条件下以人为本的典型创新模式,其例子包括Web 2.0,开放源代码、自由软件以及麻省理工学院提出的微观装配实验室等。


简介
创新2.0即Innovation 2.0,是面向知识社会的下一代创新。技术的进步、社会的发展,推动了科技创新模式的嬗变。传统的以技术发展为导向、科研人员为主体、实验室为载体的科技创新活动正转向以用户为中心、以社会实践为舞台、以共同创新、开放创新为特点的用户参与的创新2.0模式。创新2.0并非是从WEB2.0引申而来的,而是知识社会环境下全球对Living Lab、Fab Lab、AIP等创新模式探索的结果。WEB2.0则是创新2.0在互联网领域的典型体现,是要让所有的人都来参加,全民织网,使用软件、机器的力量使这些信息更容易被需要的人找到和浏览。如果说WEB1.0是以数据为核心的网,WEB2.0是以人为出发点的互联网。创新2.0也是让所有人都参加创新,利用各种技术手段,让知识和创新共享和扩散。如果说创新 1.0是以技术为出发点,创新2.0就是以人为出发点,以人为本的创新,以应用为本的创新,可以参照《复杂性科学视野下的科技创新》的论述来理解创新2.0的定义,创新2.0也就是“以用户为中心、以社会实践为舞台、以共同创新、开放创新为特点的用户参与的创新”。
信息通讯技术的融合和发展催生了信息社会、知识社会形态,推动了科技创新模式的嬗变,创新2.0正逐步浮出水面引起科学界和社会的关注。普通公众不再仅仅是科技创新的被动接收,而可以在知识社会条件下扮演创新主角,直接参与创新进程。国内外关于创新2.0的关注和研究正在逐渐兴起,随着对面向未来的、以用户为中心、以人为本的创新2.0模式研究的深入也将给我们科技创新模式的发展带来新的视野和动力,同时也推动了体验经济、知识经济的发展。


如果说创新 1.0是以技术为出发点,创新2.0就是以人为出发点,特别关注用户创新,是以人为本的创新,以应用为本的创新,《复杂性科学视野下的科技创新》一文认为创新2.0是“以用户为中心、以社会实践为舞台、以共同创新、开放创新为特点的用户参与的创新”。 正如《创新2.0:知识社会环境下的创新民主化》一文在对知识社会环境下Living Lab、Fab Lab、AIP三种创新2.0模式对比分析基础上所指出的,创新2.0不仅是以复杂性科学视角对ICT融合背景下科技创新的重新审视,是一种适应知识社会的,以用户为中心、以社会实践为舞台、以大众创新、共同创新、开放创新为特点的用户参与的创新形态;从更宏观的视角看待,它更是知识社会条件下的创新民主化展现[1]  。


详见:百度百科-创新2.0


参考文献

1.  创新2.0:知识社会环境下的创新民主化  .移动政务研究
2.  钱学森开放复杂巨系统理论视角下的科技创新体系  .移动政务研究
3.  互联网+、虚拟网络空间、创新2.0模式与创客潮  .创新2.0研究.2015-04-15[引用日期2015-08-30]
4.  创新2.0的三个阶段  .新华网.2015-08-06[引用日期2015-08-30]
5.  “互联网+” = 新一代ICT+创新2.0  .中国计算机学会[引用日期2015-09-1]
6.  “互联网+”引领创新2.0时代  .新华网.2015-03-15[引用日期2015-09-1]
7.  创新2.0研究十大热点  .办公自动化杂志.2015-03-01[引用日期2015-09-01]
8.  政府2.0:创新2.0视野下的政府创新  .移动政务研究

回复 ︿
5?1460204756
发布时间:01/10/2016 19:47
更新时间:08/05/2016 15:25

尹刚,男,博士,师从我国软件领域知名专家王怀民教授,现为国防科技大学计算机学院副研究员,主要研究方向为云计算、数据挖掘、人工智能、软件工程、在线教育,在学期间先后获得全国数模竞赛一等奖、全国电脑大赛一等奖,作为参与者负责人参加国家自然科学基金课题、国家863课题、省部级研究课题等10余项,获军队优秀专业技术人才岗位津贴,获国家技术发明二等奖1项、湖南省技术发明一等奖1项、军队科技进步二等奖2项,作为技术负责人之一参与的国家863计划重点项目成果“可信的国家软件资源共享与协同生产环境”(Trustie)被科技部列为10年来我国软件领域的五项代表性成果,在软件产业领域、教育领域和技术创新领域得到广泛应用。在国内外学术期刊和会议发表研究论文80余篇,获授权发明专利10余项,2015年获中国计算机学会(CCF)杰出演讲者称号。


主持的国家自然基金项目主要有:

1、面向大众生产的软件信息网络挖掘及其应用研究,2015 年1月—2018 年12 月,NO 61472430

2、互联网环境下基于证据的信誉组合技术研究,2010.01-2012.12,NO 60903043


主持的国家重点研发计划课题有:

1、面向群体化方法的软件智能开发服务环境,所属项目“基于大数据的软件智能开发方法和环境”, 2016 年7月 至 2019 年6 月,NO 2016YFB1000805


参与的国家自然基金重点项目主要有:

1、网络环境下基于群体协同的软件需求获取和建模方法研究,2015年1月—2019年12月,NO 61432020

2、大规模在线协同学习的机理与方法研究,2016年01月2020年12月


参与的国家863课题主要有:

1、网构化软件协同生产和运行演化集成平台及服务环境,2012年2014年,NO 2012AA011201

2、可信的国家软件资源共享与协同生产环境,2007年12月31日2010年12月31 日,NO 2007AA010301


近年来,他所在的Trustie团队致力于两件事:

1、将开源机理引入软件工程,提出大数据驱动的软件开发群体化方法及其支撑技术。

2、将开源模式引入中国高校,实现基于教育大数据的智能化高校创新实践服务生态。



理想很远大,路程很艰难,但万一实现了呢


回复 ︿ (6)
  • 用户头像
    杨培君 3年前

  • 用户头像
    黄井泉 3年前

  • 用户头像
    尹刚 3年前

    谢谢鼓励

    请大家都启用自己的主页功能吧:1、发布博客;2、将某个博客设置为个人首页即可。

5?1460204756
发布时间:08/01/2016 20:29
更新时间:08/03/2016 23:34

王老师给我们推荐了逻辑思维中如何表达的方法。


其中提到基本的三条:简单、意外、具体。


这三条在研究工作的交流和介绍上,也是非常有借鉴意义的。


简单:就是很容易理解,核心成员、外围成员,能否让人容易理解其本质区别?


意外:这也是研究工作的创新之处,也是最让人惊奇之处。

回复 ︿ (2)
  • 用户头像
    尹刚 3年前
    可以在微信app里转发:)你们可以试试。。

  • 用户头像
    湛云 3年前
    博客不可以转发的吗?

5?1460204756
发布时间:07/20/2016 08:31
更新时间:07/20/2016 08:31


VISUALIZE PythonJavaJavaScriptTypeScriptRubyC, and C++ programs

Python Tutor, created by Philip Guo, helps people overcome a fundamental barrier to learning programming: understanding what happens as the computer executes each line of a program's source code.

Using this tool, you can write PythonJavaJavaScriptTypeScriptRubyC, and C++ programs in your Web browser and visualize what the computer is doing step-by-step as it executes those programs. So far, over 1.5 million people in over 180 countries have used Python Tutor to visualize over 15 million pieces of code, often as a supplement to textbooks, lecture notes, and online programming tutorials.


详见:http://pythontutor.com/


回复 ︿
5?1460204756
发布时间:07/15/2016 08:41
更新时间:07/15/2016 08:41

今年三月份,Docker迎来了盛大的三周年庆典。Docker回忆录(Happy Birthday, Docker!)展示了Docker是如何在我们眼前快速成长的。

尽管庆典已经结束,我将带你开启另一段旅程:在Docker开启容器大门之前虚拟化容器的历史。请走进我的时光机器,借助Wikipedia以及其他资源,让我们回到1979年,容器的概念被首次提出。


1979:Unix V7

1979年,我(作者)还不到10岁。在Unix V7的开发过程中,引进了chroot系统调用,可以重定向进程及其子进程的root目录到文件系统上的新位置。这项进步开启了进程隔离大门,使用它可以分离每个进程的文件访问权限。Chroot在1982年加入了BSD(https://en.wikipedia.org/wiki/Berkeley_Software_Distribution)。


2000:FreeBSD Jails

经过20几年,FreeBSD Jails提供了一套微型主机环境共享系统,用来清晰地隔离服务本身与这些服务的用户。FreeBSD Jails允许管理员将一个FreeBSD(https://en.wikipedia.org/wiki/FreeBSD)计算机系统划分为多个独立的小型系统,称为“Jails”,并且能够为每个小型系统分配一个独立的IP地址。


2001:Linux VServer

类似于FreeBSD Jails,Linux VServer(https://en.wikipedia.org/wiki/Linux-VServer)也是一种jail机制,它能够划分计算机系统上的资源,例如文件系统、网络地址和内存。在2001年,这种操作系统虚拟化技术被写入了Linux内核,截至目前仍然能够使用,但在2006年发布了最后一个稳定版本。


2004:Oracle Solaris Containers

在2004年,Oracle发布了Solaris Container(https://en.wikipedia.org/wiki/Solaris_Containers),其将系统资源控制与由分区提供的边界隔离结合在一起,可以在ZFS上使用快照和克隆等技术。


2005:Open VZ(Open Virtuzzo)

这是Linux上的一种操作系统级别虚拟化技术,可以使用带有补丁的Linux内核实现虚拟化、隔离、资源管理以及检查点交互。OpenVZ的代码并没有作为Linux内核官方版本一起发布。


2006:Process Containers

Process Containers(https://en.wikipedia.org/wiki/Cgroups)在2006年由谷歌推出,用于限制、分配和隔离进程集合中的资源使用量(包括:CPU、内存、磁盘I/O以及网络)。一年后,Process Containers被重命名为“Control Groups(cgroups)”。最终,其被合并到Linux内核2.6.24版本中。


2008:LXC

LXC,Linux Containers(https://en.wikipedia.org/wiki/LXC)是第一个完整实现Linux容器管理的工具,其使用Cgroups和Linux命名空间,无需任何额外的补丁就能够运行在原版Linux内核之上。


2011:Warden

Warden始于2011年由CloudFoundry建立,最初使用的是LXC,随后又替换成了自己的实现方案。Warden能够在任何的操作系统上隔离环境,其以后台进程方式运行,并提供了一套容器管理API。Warden使用了C/S结构,能够在多台宿主机上进行容器管理,并且提供了一种管理Cgroups、命名空间以及进程生命周期的服务。


2013:LMCTFY

Let Me Container That For You(LMCTFY)(https://github.com/google/lmctfy)在2013年作为谷歌容器堆栈技术的开源版本推出,提供了Linux应用程序容器化。应用程序具备“容器意识”,能够创建和管理它们自己的容器。LMCTFY于2015年停止开发,谷歌将其核心部分贡献给Libcontainer,也就是现在的Open Container Foundation(https://github.com/opencontainers/runc/tree/master/libcontainer)。


2013:Docker以及容器的未来

以上就是我对先于Docker的容器技术的总结。所有容器的迭代版都有它们的适用者和爱好者,但是当Docker在2013年出现时,容器的关注度爆发式地增长。Docker的发展与容器的使用一定是齐头并进的。

和Warden一样,Docker在初期同样使用了LXC,随后替换成了Libcontainer。不一样的是,Docker为容器管理构建了一个完整的生态系统,而不是专注于Libcontainer。


使用Docker,开发者能够快速地创建和运行应用程序容器。随着Docker Hub的发布,开发者能够更快地下载和运行应用程序容器。


在这三年的时间里,和多数人一样我难以想象如果没有Docker生态系统,我们该怎么进行DevOps。我非常乐意成为Docker成长旅程中的一部分,找到一种安全产品的开发方式,并将其整合到Docker生态系统。


当然,Docker不是容器唯一的未来。二月份,CoreOS发布了rkt(“rocket”的简写),其目的就是为了成为Docker的一个可靠替代品。InfoWorld中有篇文章提到:rkt打算和Docker做一样的事情,但他们会尽最大努力做得更好。


转自:https://www.sdk.cn/news/4169


回复 ︿
5?1460204756
发布时间:07/12/2016 08:35
更新时间:07/12/2016 08:35

       人工智能,就好像第四次工业革命,正从学术界的私藏,转变为一种能够改变世界的力量。尤其,以深度学习取得的进步为显著标志。


  它让匍匐前进60年的人工智能一鸣惊人。
  我们正降落到一片新大陆。深度学习带来的这场重大技术革命,有可能颠覆过去20年互联网对技术的认知,实现技术体验的跨越式发展。


  那么,深度学习到底是什么?怎么理解它的重要性?


  我们先从概念和现象入手。

  我总结了一句话,学术上看未必严谨,但从我的理解角度看——深度学习是基于多层神经网络的,海量数据为输入的,规则自学习方法。

  这里包含了几个关键词:

  第一个关键词叫多层神经网络。
  深度学习所基于的多层神经网络并非新鲜事物,甚至在80年代被认为没前途。但近年来,科学家们对多层神经网络的不断算法优化,使它出现了突破性的进展。


  以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中,就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。


  那为什么要深呢?多层神经网络比浅层的好处在哪儿呢?


  简单说,就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征:最底层从原始像素开始学习,刻画局部的边缘和纹;中层把各种边缘进行组合,描述不同类型的猫的器官;最高层描述的是整个猫的全局特征。
  它需要超强的计算能力,同时还不断有海量数据的输入。特别是在信息表示和特征设计方面,过去大量依赖人工,严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式,开启了数据驱动的“表示学习”范式——由数据自提取特征,计算机自己发现规则,进行自学习。


  你可以理解为——过去,人们对经验的利用,靠人类自己完成。在深度学习呢?经验,以数据形式存在。因此,深度学习,就是关于在计算机上从数据中产生模型的算法,即深度学习算法。


  问题来了,几年前讲大数据,以及各种算法,与深度学习有什么区别呢?


  过去的算法模式,数学上叫线性,x和y的关系是对应的,它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImageNet图像分类大赛,用传统算法,识别错误率一直降不下去,上深度学习后,错误率大幅降低。在2010年,获胜的系统只能正确标记72%的图片;到2012年,多伦多大学的 Geoff Hinton利用深度学习的新技术,带领团队实现了85%的准确率。2015年的ImageNet竞赛上,一个深度学习系统以96%的准确率第一次超过了人类(人类平均有95%的准确率)。


  计算机认图的能力,已经超过了人。尤其图像和语音等复杂应用,深度学习技术取得了优越的性能。为什么呢?其实就是思路的革新。

  举几个脑洞大开的例子。

  (1)先说计算机认猫。
  我们通常能用很多属性描述一个事物。其中有些属性可能很关键,很有用,另一些属性可能没什么用。我们就将属性被称为特征。特征辨识,就是一个数据处理的过程。

  传统算法认猫,也是标注各种特征去认。就是大眼睛,有胡子,有花纹。但这种特征写着写着,有的猫和老虎就分不出来,狗和猫也分不出来。这种方法叫——人制定规则,机器学习这种规则。
  深度学习方法怎么办呢?直接给你百万张图片,说这里有猫,再给你上百万张图,说这里没猫。然后再训练一个深度网络,通过深度学习自己去学猫的特征,计算机就知道了,谁是猫。


  (2)第二个例子是谷歌训练机械手抓取。

  传统方法肯定是看到那里有个机械手,就写好函数,move到xyz标注的空间点,利用程序实现一次抓取。
  而谷歌现在用机器人训练一个深度神经网络,帮助机器人根据摄像头输入和电机命令,预测抓取的结果。简单说,就是训练机器人的手眼协调。机器人会观测自己的机械臂,实时纠正抓取运动。
  所有行为都从学习中自然浮现,而不是依靠传统的系统程序。
  为了加快学习进程,谷歌用了14个机械手同时工作,在将近3000小时的训练,相当于80万次抓取尝试后,开始看到智能反应行为的出现。据公开资料,没有训练的机械手,前30次抓取失败率为34%,而训练后,失败率降低到18%。
  这就是一个自我学习的过程。

  (3)有人问了,深度学习,能学习写文章吗?

  来看这个例子。斯坦福大学的计算机博士andrej kapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合,就叫它写文章。100个回合后,机器知道要空格,但仍然有乱码。500个回合后,能正确拼写一些短单词。1200个回合后,有标点符号和长单词。2000个回合后,已经可以正确拼写更复杂的语句。
  整个演化过程是个什么情况呢?
  以前我们写文章,只要告诉主谓宾。而以上过程,完全没人告诉机器语法规则。甚至,连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练,一层一层训练,最后输出结果——就是一个个看得懂的语句。
  一切看起来都很有趣。人工智能与深度学习的美妙之处,也正在于此。

  (4)我还去硅谷看过一家公司——完全颠覆以往的算法,利用深度学习实现图像深度信息的采集。

  众所周知,市面上已经有无人机,可实现人的跟踪。它的方法是什么呢?一个人,在图像系统里,一堆色块的组合。通过人工的方式进行特征选择,比如颜色特征,梯度特征。拿简单的颜色特征举例:比如你穿着绿色衣服,突然走进草丛,就可能跟丢。或,他脱了件衣服,几个人很相近,也容易跟丢。
  此时,若想在这个基础上继续优化,将颜色特征进行某些调整,是非常困难的。而且调整后,还会存在对过去某些状况不适用的问题。
  总之,这样的算法需要不停迭代,迭代又会影响前面的效果。


  而硅谷这个团队,利用深度学习,把所有人脑袋做出来,只区分好前景和背景。区分之后,背景全部用数学方式随意填充,再不断生产大量背景数据,进行自学习。只要把前景学习出来就行。
  据我所知,很多传统方法,还在采用双目视觉。用计算机去做局部匹配,再根据双目测出的两个匹配的差距,去推算空间另一个点和它的三角位置,从而判断离你多远。


  可想而知,深度学习的出现,使得很多公司辛苦积累的软件算法直接作废了。
  “算法为核心竞争力”,正在转变为,“数据为核心竞争力”。
  技术人员必须进入新的起跑线。

  (5)最后再举个例子。
  大家都做过胃镜。尤其胃痛,很痛苦。肠胃镜要分开做,而且小肠看不见。
  有一家公司出了一种胶囊摄像头。吃进去后,在你的消化道,每5秒拍一幅图,连续摄像,此后再排出胶囊。所有关于肠道胃部的问题,全部完整记录。但医生光把那个图看完,就需要五个小时。原本的机器主动检测漏检率高,要医生复查。
  后来,他们采用深度学习。采集8000多例图片数据灌进去,用机器不断学,不仅提高诊断精确率,减少了医生的漏诊,以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。
  深度学习算法,可以帮助医生作出决策。


  了解完深度学习,接着思考一个问题——20世纪70年代末80年代初,个人电脑突飞猛进时,人工智能的商业化却步履维艰。乔布斯曾这样定义个人计算机的价值——“它是我们思维的自行车”。那么,今天的人工智能呢?深度学习呢?它给我们真正带来的东西是什么?未来,对行业和社会有什么影响?中国公司的机会在哪?


文章来源于傅盛微信公众号——盛盛GO(id:fstalk)

回复 ︿
点击展开更多
问题和建议
还能输入50个字符 Submit

加入QQ群

关注微信APP


×