博客

迁移学习是深度神经网络最吸引人的特性之一。在这篇文章中，我们将首先看看什么是迁移学习，什么时候可行，什么时候不可行，为什么在某些情况下行不通，最后总结一些关于迁移学习的最佳实践的建议。

在进行任何AI/ML部署之前，组织需要将其数据科学的研究工作与项目管理的最佳实践相结合。在2019年1月，Gartner发布了一项调查，37%的受访者表示他们已经在某种程度上使用了人工智能(AI)，但54%的受访者表示，他们所在组织的技能短缺阻碍了他们积极推进使用人工智能的进程。

物联网时代受欢迎的五大岗位：工业数据工程师；机器人协调员；IT/IoT解决方案架构师；工业计算机工程师/程序员；工业用户界面(UI)/用户体验设计师(UX)。

隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，它在语言识别，自然语言处理，模式识别等领域得到广泛的应用。当然，随着目前深度学习的崛起，尤其是RNN，LSTM等神经网络序列模型的火热，HMM的地位有所下降。

梯度下降的框架主要分三种：1，全量梯度下降：每次使用全部的样本来更新模型参数，优点是收敛方向准确，缺点是收敛速度慢，内存消耗大。；2，随机梯度下降：每次使用一个样本来更新模型参数，优点是学习速度快，缺点是收敛不稳定。；3，批量梯度下降：每次使用一个batchsize的样本来更新模型参数，平衡了全量梯度下降和随机梯度下降的方法。。

无人驾驶汽车搭载了数百个传感器，是它们将车辆周围的物理世界转化成了数字信号。就拿无人驾驶汽车的“眼睛”——雷达、摄像头和激光雷达来说，没有它们车辆就无法获得 720 度的视野（ 包括水平和垂直角度）。

UIElements是Unity全新的保留模式UI框架，面向Unity 2019.1作为公开API发布。现在UIElements是一款可以轻松扩展Unity编辑器的工具，未来版本将加入游戏内支持和可视化制作功能。

GPU渲染与传统的CPU渲染不同，GPU渲染的运算速度更快，传统的CPU渲染是利用CPU的运算部分进行渲染运算，但一颗CPU的运算单元只占CPU的小部分。但GPU就不同了，一颗GPU拥有上千个核心，所以进行渲染运算时，这上千个核心会全部进行并行计算。

强化学习的学习思路和人比较类似，是在实践中学习，比如学习走路，如果摔倒了，那么我们大脑后面会给一个负面的奖励值，说明走的姿势不好。然后我们从摔倒状态中爬起来，如果后面正常走了一步，那么大脑会给一个正面的奖励值，我们会知道这是一个好的走路姿势。那么这个过程和之前讲的机器学习方法有什么区别呢？

在现代科技的世界里，很少有事物能够像虚拟现实那样激发大众的想象力，也许是因为虚拟现实可以让我们更接近梦想中的世界。如今的VR究竟是什么样子，以及人们对于这项技术最常见的误解是什么呢？本文总结了目前对于虚拟现实最常见的误解，以及这些误解形成的原因，一起来看看吧！

随着科技的不断发展，一些在功能上具有相互补充作用的技术正在不可避免地发生结合——例如，人工智能（AI）和物联网（IoT）。在本文中，我们将探讨AI和物联网（即AIoT）如何共同为各行各业的组织创造新价值。

不论是可以和你对话的智能音箱，还是能够自己作画的虚拟艺术家；不论是能够帮助农民准确判断种植和施肥时间的农场管理系统，又或者是能够在演唱会现场快速识别罪犯的人脸识别程序，人工智能已经开始在各行各业得到广泛应用。

很多人说深度学习是玄学，有很多说不清道不明的东西在里面，实际上，还是有一些规律可言的，虽然不是什么放之四海而皆准的真理，但也是长期总结的一些经验教训，可以试一试，看是不是有用。

机器视觉系统中使用的摄像机、镜头和照明都对图像的整体质量做出了重要贡献。过去几年CMOS图像传感器技术的快速发展为镜头制造商带来了重大挑战。越来越高的传感器分辨率意味着现在有许多传感器具有更小的像素，需要更高分辨率的镜头。

机器学习性能评价标准是模型优化的前提，在设计机器学习算法过程中，不同的问题需要用到不同的评价标准，本文对机器学习算法常用指标进行了总结。

遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

当前以人工智能为代表的第四次工业革命正在快速改变着我们的生产、生活环境，其中以对就业结构的改变尤为显著。因此，在产业结构调整、人口老龄化严重、人口出生率下降的背景下，如何将“人口红利”转化为“人才红利”成为人工智能背景下解决就业问题的关键。

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

这篇文章的目的是希望能够解释一些关于深度学习（DL）的误解，在机器学习领域，同时也被称为爆发的小宇宙和科研炒作。事实是在中间的某个地方，我希望能把这趟浑水弄清 - 至少有一点点。重要的是，我希望澄清一些攻击深度学习的问题，并讨论为什么它在自然语言处理（NLP），图像识别和机器翻译等方面表现良好，而在其他方面却失败了。

只有当公司解决客户问题、节约成本或符合标准时，物联网才有可能取得成功。在物联网领域，我花了大量时间与初创企业和成熟的产品公司合作，我深刻认识到，所有物联网公司都必须遵守12条法则才能取得成功。