第一季收官！开源项目系列讲座喊你重温精彩！

“微软亚洲研究院开源项目系列讲座”第一季顺利收官！在第一季共七期的分享中，讲者们介绍了和行业密切相关的 Qlib 和 MIND、优秀的科研工具 NNI、OpenNetLab、MARO、nn-Meter，还有以开源方式进行人工智能教育教学的 AI-EDU community 等内容，涵盖机器学习、自然语言、网络与系统等多个人工智能领域。截止至第七期分享结束，开源项目系列讲座直播现场线上人气过万，单场直播最高人气突破2600，直播视频共计回放5747次，共收获154条弹幕、370次点赞、286次收藏，微信交流群总人数达590人。

“微软亚洲研究院开源项目系列讲座”是微软亚洲研究院精心打造的面向科研人员、开源社区开发者和参与者的在线分享活动。作为微软公司在美国本土以外最大的科研机构，微软亚洲研究院在 GitHub 上开源分享了众多优秀的科研成果。为了架起微软亚洲研究院开源项目与广大社区开发者沟通的桥梁，以开源开放的方式与全球研究者和开发者共同推动人工智能技术的创新发展，自2021年6月开始，微软亚洲研究院开源项目系列讲座以每月一次的固定频率，在 B 站“微软中国视频中心”账号进行直播。开源项目系列讲座每场直播均邀请到来自微软亚洲研究院参与一线研究项目的研究员、工程师、项目经理等，为大家介绍开源项目的具体功能及使用技巧。

自推出以来，开源项目系列讲座获得了学界与业界的诸多关注与认可。来自杭州电子科技大学的一名同学向特地向微软亚洲研究院写了一封邮件，信中写道：通过开源讲座，他“深深地被 AI 系统课程所震撼”，这门课程解答了一个他“一直在思考但是无法找到答案的问题”。Qlib 分享讲座结束后，不少观众在相关群聊中分享自己或其所在公司对 Qlib 的学习成果，甚至某证券公司专门制作并分享了一份 Qlib 的相关教程。此外，OpenNetLab 讲座还吸引了清华暑期实践团队的目光，在分享结束后清华学子又邀请讲者举办了专场交流活动……

接下来，就让我们一起回顾开源项目系列讲座，点击本文各期视频回放地址，即可重温学术分享，重回精彩交流瞬间！

 讲座回顾

第一期：QLIB：业内首个 AI 量化投资开源平台

第一期讲座回放视频地址：

https://www.bilibili.com/video/BV1yv411J7Cj

内容回顾：

Qlib 是首个开源的面向 AI 的量化投资平台，旨在发掘 AI 技术在量化投资领域的潜能和价值。Qlib 包括了机器学习需要的数据处理、模型训练和评估的完整流程，其针对量化投资场景进行设计并覆盖了整个量化投资研究流程（Alpha 挖掘、风险建模、组合管理，订单执行）。

更多介绍详见 《开源系列讲座 | 微矿 Qlib 如何以 AI 赋能传统投资行业？》

第二期：NNI：自动智能探索神经网络

第二期讲座回放视频地址：

https://www.bilibili.com/video/BV19w41197Qz

内容回顾：

本次直播的主题主要是 NNI 的神经网络架构搜索和模型压缩功能。导师们将从“什么是自动机器学习”引入，详细介绍 NNI 的神经网络架构搜索和模型压缩工具，包括它们的主要功能和应用场景。除此之外，导师们还将现场演示如何使用这些工具，带领大家一起探索自动机器学习的奥秘。

更多介绍详见 《开源系列讲座 | 自动机器学习调试效率低？这里有一份来自微软的强大工具包？》

第三期：MIND：个性化新闻推荐系统

第三期讲座回放视频地址：

https://www.bilibili.com/video/BV1dV411H7qF

内容回顾：

个性化新闻推荐技术是诸多在线新闻网站和应用的关键技术，可以提升用户的新闻阅读体验并减轻信息过载。目前，许多有关新闻推荐的研究是在私有数据集上开展的，而已有的公开数据集往往规模较小，或者基于英语之外的其它语言。高质量基准数据集的缺乏限制了新闻推荐领域的研究进展。微软亚洲研究院联合微软新闻产品团队在 ACL 2020 上发布了一个大规模的英文新闻推荐数据集 MIND。大量实验表明，MIND 可以用作新闻推荐研究的基准数据集。未来微软亚洲研究院计划将新闻中的图像和视频信息以及不同语言的新闻条目加入到 MIND 数据集中，以支持多模态和多语言的新闻推荐的研究。

更多介绍详见 《开源系列讲座 | 信息爆炸？MIND 个性化新闻推荐系统来了！》

第四期：OpenNetLab：下一代开放网络研究社区

第四期讲座回放视频地址：

https://www.bilibili.com/video/BV1YM4y1V7ta

内容回顾：

如何挖掘 AI 技术的潜力来提升网络领域的研究，是目前学术界和工业界共同关注的焦点。为解决网络 AI 模型训练数据不足、场景要求高的现实局限，OpenNetLab 开放网络平台通过构建分布式节点收集不同区域、形态、场景的网络数据，为研究人员提供基于现实网络的真实数据，并能实地训练和验证网络模型。OpenNetLab 开放网络平台欢迎高校师生、领域爱好者等更多志同道合者加入，共同建设推动网络研究发展。

更多介绍详见 《开源系列讲座 | OpenNetLab：构建可持续的网络研究生态系统！》

第五期：AI-EDU community：人工智能教育与学习第一站

第五期讲座回放视频地址：

https://www.bilibili.com/video/BV1dT4y1R7Qm/

内容回顾：

2018年，微软人工智能教育与学习共建社区1.0在 GitHub 正式上线。上线以来，社区秉持着 “学习、实践、共享、迭代”的宗旨，为学生、开发者和教师提供优质的人工智能教育资源。2021年6月，社区最新版架构全新发布，配套网站、实践案例也同步更新，直播嘉宾将带大家一睹最新版社区内容。今年4月上线的国内首门人工智能系统课程《人工智能系统》也将在直播中首次对外开放课程内容与学习方式。

更多介绍详见 《开源系列讲座 | 微软人工智能教育与学习共建社区全新更新，更有精品课程首度公开！》

第六期：MARO：基于多智能体强化学习的资源调度优化

第六期讲座回放视频地址：

https://www.bilibili.com/video/BV13b4y1879h

内容回顾：

多智能体强化学习（MARL）一直是学术界比较热门的课题，近年来涌现出很多有效的算法和成功的案例。但是如何利用其解决商业领域的实际问题仍然是一个大的挑战，其中比较关键的是解决 MARL 在大规模问题上的训练效率问题。MARO 正是在这一背景下提出的一个包含高效的 MARL 训练框架的多智能体资源调度平台。通过高效的仿真引擎和分布式框架，使得训练一个包含成千上万个智能体的系统成为可能。MARO 支持不同程度的个性化，从仿真环境，底层模型到训练算法等，用户可以根据需要灵活地配置。同时，MARO 还将一些实际的问题封装成不同规模的实例，如集装箱调度、共享单车调度、虚拟机资源分配、库存管理等，支持用户对新的 MARL 进行快速的测试。

更多介绍详见 《开源系列讲座 | MARO：多智能体资源调度平台及其基于强化学习的大规模应用》

第七期：nn-Meter：深度模型端侧推理时间预测

第七期讲座回放视频地址：

https://www.bilibili.com/video/BV1BM4y1A7T5

内容回顾：

随着深度学习在移动端的兴起，推理延迟（inference latency）已经成为在各种移动和边缘设备上运行深度神经网络（DNN）模型的一个重要指标。为此，预测 DNN 模型推理的延迟非常必要，尤其是对于无法在真实设备上测试延迟或者代价太高的任务。然而，由于不同边缘设备上运行时（runtime）的不同优化导致了模型推理延迟的巨大差异，准确预测推理延迟仍然非常具有挑战性。目前，现有方法无法实现高精度的预测。 建立在内核检测及自适应采样上的 nn-Meter 可高效、准确地预测 DNN 模型在不同边缘设备上的推理延迟。它的关键思想是将整个模型推理划分为内核（kernel），即设备上的执行单元，然后执行内核级预测。

更多介绍详见 《开源系列讲座 | nn-Meter：可高效、准确地预测模型推理时间的系统 》

让我们一起期待第二季开源项目系列讲座！蹲守 B 站“微软中国视频中心”账号，我们不见不散！感兴趣的小伙伴们提前关注直播间，还能收获其他精彩内容哦！

一键扫码，关注直播间

你也许还想看：