多年来，技术的进步使得交通运输变得更加便利。像物联网应用这样的汽车技术已经改变了驾驶体验。

这方面的主要成就之一是自动驾驶汽车。虽然自动驾驶汽车概念已经存在一段时间了，但直到最近，技术、激光设备和网络的进步才使这一梦想成为现实。

因此，对自动驾驶汽车感到兴奋是再正常不过的。然而，我们也必须仔细评估使用这些车辆的利与弊。

<font color="blue" size="4"><strong>利</strong></font>

<strong>▲无差错驾驶</strong>

作者： 我爱至尊宝
来源：科技行者

人工智能系统代表着一大令人兴奋的研究领域：对于拥有所需技能的人们来说，这同时也代表着广阔的个人发展空间，更重要的是AI技术本身仍在不断发展推进。然而，很多朋友发现自己似乎难以弄清该如何投身于这股技术浪潮，尤其难以通过自学形式掌握必备知识。

幸运的是，目前网上有着充足的资源，可供初学者快速积累知识与技能，或者说确定这条发展道路是否适合自己。为了了解更多信息，我们在青年企业家委员会的小组讨论中提出以下问题：

对于有意了解AI开发相关情况的新手或者程序员，最重要的准备工作是什么？

<strong>下面来看他们给出的11条可行性建议： </strong>

Imagination工程师Robert Owen罗伯特-欧文介绍Imagination大学项目（IUP）。

20年前的今天，世嘉公司(Sega)在美国向全世界推出了Dreamcast游戏机，同年晚些时候在日本和欧洲市场Dreamcast游戏机也相继上市。虽然它在市场上的时间很短——从1999年9月到2001年3月，从网上出现的许多文章中可以明显看出这款游戏机受到了全世界玩家的喜爱，其中令人印象深刻的原因有很多，比如它能够让用户在线堆栈，当然这个功能在现在已经很普遍了。

Gartner 2019年人工智能成熟度曲线审查了在AI领域的创新和趋势潮流，以及AI计划范围。快速跟风者，首先应该为AI设计一个商业案例。对于早期使用者来说，AI的可扩展性是下一个挑战。

风险现实基金（Venture Reality Fund）一直在投资增强现实和虚拟现实游戏和应用程序，现在是时候进行新一轮有关AR发展现状的季度信息更新了。 基金联合创始人Tipatat Chenavasin提供了七条非常有价值的消息供我们学习了解。

要做机器学习项目，第一重要的就是数据！那如何来准备机器学习要用的数据就成了第一要做的事情，巧妇难为无米之炊，今天就来教大家如何成为巧妇（夫）。

<font color="blue"><strong>深度学习中的技巧：</strong></font>

初始化参数尽量小一些，这样 softmax 的回归输出更加接近均匀分布，使得刚开始网络并不确信数据属于哪一类；另一方面从数值优化上看我们希望我们的参数具有一致的方差（一致的数量级），这样我们的梯度下降法下降也会更快。同时为了使每一层的激励值保持一定的方差，我们在初始化参数（不包括偏置项）的方差可以与输入神经元的平方根成反比

学习率（learning rate）的设置应该随着迭代次数的增加而减小，个人比较喜欢每迭代完一次epoch也就是整个数据过一遍，然后对学习率进行变化，这样能够保证每个样本得到了公平的对待

什么是PBR？基于物理的渲染过程。PBR是一种着色和渲染技术，用于更精确的描述光如何与物体表面互动。

集成学习（ensemble learning）是机器学习中一类学习算法，值训练多个学习器并将它们组合起来使用的方法。这类算法通常在实践中会取得比单个学习器更好的预测结果。

通过卷积和池化等技术可以将图像进行降维，因此，一些研究人员也想办法恢复原分辨率大小的图像，特别是在语义分割领域应用很成熟。通过对一些资料的学习，简单的整理下三种恢复方法，并进行对比。

池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。

特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。

啥是Gamma Correction？什么是在线性空间（Linear Space）中做光照计算？先介绍下啥是Gamma（别急，先看下去，这是解释线性空间的前置知识）。这词儿N多人听说过，而且也被各种滥用。这里只解释游戏即时渲染相关的概念。首先，就是老式CRT显示器的一个问题，给显示器输入的电压和输出的亮度不成线性关系

SGD（Stochastic Gradient Descent）就是最常见的随机梯度下降。向着参数的梯度的负方向改变（梯度方向是增加的方向）。相比于普通SGD，Momentum update在深度网络中收敛更好。

在计算机科学领域中，人工智能是一种机器表现的行为，这种行为能以与人类智能相似的方式对环境做出反应并尽可能提高自己达成目的的概率。

人工智能大体上可以分为 3 类：弱人工智能、强人工智能和超人工智能。

<strong>01、弱人工智能弱人工智能（Weak AI）</strong>

也被称为狭隘人工智能（Narrow AI）或应用人工智能（Applied AI），指的是只能完成某一项特定任务或者解决某一特定问题的人工智能。

苹果公司的 Siri就是一个典型的弱人工智能，它只能执行有限的预设功能。同时，Siri 目前还不具备智力或自我意识，它只是一个相对复杂的弱人工智能体。

<strong>02、强人工智能强人工智能（Strong AI）</strong>

作者：Lilian Weng
编译：ronghuaiyang

<strong>导读</strong>

如果你和我一样，不明白为什么深度神经网络可以推广到样本外的数据点，而不会过拟合，请继续阅读。

如果你像我一样，有传统机器学习的经验进入深度学习领域，你可能会经常思考这样一个问题：由于一个典型的深度神经网络有这么多的参数，训练误差很容易达到完美，那么它一定会遭受大量的过拟合。如何将其推广到样本外数据点？

物联网的出现使人们的生活更加智能化，给人们带来了许许多多的便利。但每个硬币都有两面，便利的另一面也同样存在着挑战。

连续特征离散化的基本假设，是默认连续特征不同区间的取值对结果的贡献是不一样的。特征的连续值在不同的区间的重要性是不一样的，所以希望连续特征在不同的区间有不同的权重，实现的方法就是对特征进行划分区间，每个区间为一个新的特征。常用做法，就是先对特征进行排序，然后再按照等频离散化为N个区间。

一个人工智能项目中，最重要的究竟是数据、算法还是处理过程?有人认为，数据就宛如人工智能的汽油，重点应该是干净的数据、数据科学和对数据含义的深刻理解。有些人说，没有来龙去脉的数据是没有意义的，这些数据的来龙去脉可以是其他数据、模型/算法或处理流程。让我们以一种简洁的方式探究这些人工智能的要素，以发现每种视角的优点。