纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。

图像复原的一般那过程：分析退化原因——建立退化模型——反映推演——恢复图像。

图像复原与图像增强相似，主要目的是以预先确定的目标来改善图像。但图像增强是一个主管的过程，而图像复原主要是一个客观的过程。图像复原试图通过通过退化现象的某种先验知识来复原被退化的图像。

在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。

Fog Volume 3 Real-time reflections

机器学习经典算法总结：支持向量机持向量机、贝叶斯分类器

传感器是任何物联网部署的基础。他们收集信息并向软件提供实现其全部潜力所需的感官信息。这篇文章将介绍物联网部署的各种重要传感器。传感器是任何物联网部署的骨干。他们收集信息，并为软件提供所需的感官信息，以充分发挥其潜力。

特征的分类：1. 相关特征：对当前学习任务有用的属性。2. 无关特征：对当前学习任务没有用的属性。

随机梯度下降针对神经网络解决的优化问题具有挑战性，解决方案的空间（权重集）可能包含许多良好的解决方案（称为全局最优），并且易于查找，但技能解决方案较少（称为本地解决方案）最优）。

科技爱好者和未来主义者一直都在对可能的未来科技设备做出预测。有时他们的猜测会化为乌有，有时他们完全是错的，但可以肯定的是：在技术领域，总会有一些令人期待的事物。例如，通信、娱乐和健康行业在技术创新方面正经历稳定的增长浪潮，而且这种浪潮似乎不会很快放缓。

物联网指的是世界各地数十亿个连接到互联网的物理设备，所有设备都在收集和共享数据。得益于超低价电脑芯片的到来和无线网络的普及，任何东西都有可能成为物联网的一部分，小到一粒药片，大到一架飞机。物联网将这些不同的对象连接起来并为其添加传感器，为设备增加了一定程度的数字智能，从而使其能够在人类不干涉的情况下进行实时数据通信。

物联网（IoT）世界的一大特征就是有大量的设备需要从它们操作的环境中采集数据，并将这些信息上传到网络中或云端的分析系统。这些设备分布在整个网络的边缘，有时它们具备通信的能力，在其他一些情况下它们则是通过边缘节点将数据上传给分析系统。创建的数据是关于环境的（比如温度、速度等），也可以是设备或系统操作的原始数据。

本文为了让初学者更加简单、直观地理解神经网络在训练中的技巧，以及明白为什么这样做能有效地提高训练效率，将神经网络中的本质过程一一阐述，弄清楚这些原理对初学者大有裨益。

一位老外找了8位AI大神推荐了13篇必读文章，可以收藏一下。

在本文中，我们将定义M2M和IoT，并探讨二者之间的主要区别。了解了二者之间的区别之后，将可以确定哪一个可以更好地为你的业务应用提供服务。

在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型......

在当今的汽车中，3D像素被广泛应用到刻度盘、仪表盘以及摄像头中。举个例子，在环绕视图中3D效果起着关键的作用，我们会越来越依赖这个功能实现安全停车。因此它不能出现故障，否则会造成安全风险。虽然GPU已经成为功能安全控制器的组成部分，但是还没有一款GPU是专门针对功能安全而设计的。

物联网（IoT）在市场中发展迅速，并且业务战略也在不断变化，而针对IoT设备的网络威胁也在不断增加。因此，优化和支持物联网安全性以提高社会的适应能力至关重要。

深度信念网络（Deep Belief Nets），是一种概率生成模型，能够建立输入数据和输出类别的联合概率分布。深度信念网络通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。

线性回归可以说是机器学习中最基本的问题类型了，这里就对线性回归的原理和算法做一个小结。