博客

物联网改变移动应用开发的4种方式

发表于:01/20/2020 , 关键词: 物联网
物联网改变了移动应用程序的开发格局。那么,为物联网开发移动应用程序有何不同?物联网与移动应用程序开发齐头并进。物联网改变了人类与机器的互动方式,甚至改变了机器之间的互动方式——而移动应用程序通常是使之成为可能的关键。

机器学习的种类及其典型的任务

发表于:01/19/2020 , 关键词: 机器学习
学习的种类:监督学习;无监督学习 ;强化学习。典型任务:

浅析深度学习之卷积

发表于:01/19/2020 , 关键词: 深度学习, 卷积
卷积神经网络顾名思义,是一种使用了卷积运算的神经网络。随着深度学习技术的发展,卷积神经网络的复杂度不断提升,逐渐发展出针对不同问题而设计的卷积(convolution)运算。

实现自动驾驶的三大关键技术

发表于:01/19/2020 , 关键词: 自动驾驶
对于汽车自动化,国际自动机工程师学会将其分为了6个等级——从0级到5级。其中,0级指没有实现自动化,还需人工驾驶,而5级则是能够实现完全自动化,驾驶过程中不需要人为干预。目前,我们离level 5 还有很大距离,自动化程度十分有限。不过,只要产业界和学术界持之以恒,实现完全自动驾驶也是迟早的事。

2020年 IBM 研究院对人工智能的五大预测

发表于:01/17/2020 , 关键词: 人工智能
人工智能系统拥有的数据越多,其能力提高的速度就越快。然而,对于拥有较少数据的部分企业和组织而言,如何满足人工智能对数据的需求则是一个难题。但是,这并不意味着此类企业和组织无法使用人工智能。

关于物联网不可不知的二三事

发表于:01/17/2020 , 关键词: 物联网
“物联网”(IoT)正频繁的出现在我们的日常生活中。新闻热搜、影视作品,甚至不少短信和邮件中都有“物联网”的身影。那么,究竟什么是物联网?

神经网络入门必备知识

发表于:01/17/2020 , 关键词: 神经网络
人工神经网络(简称:神经网络)的思路是利用计算模拟生物神经网络的信息处理的能力,来进行数据分析。它是人工智能研究的范畴,更是属于机器学习算法领域。是一种分析数据的模型。

2020 年十大网络安全趋势预测

发表于:01/17/2020 , 关键词: 网络安全, 趋势, 预测
2019 年是过去十年最糟糕的一年,也可能会是未来十年最好的一年。天下武功,无坚不摧,唯快不破。对于网络安全而言,最安全的选择就是快,不但要比同行跑得快,还要比熊跑得快。

为什么 GPU 进行矩阵操作和卷积操作会比 CPU 要快?

发表于:01/16/2020 , 关键词: GPU, 卷积
比较 GPU 和 CPU ,就是比较它们两者如何处理任务。CPU 使用几个核心处理单元去优化串行顺序任务,而 GPU 的大规模并行架构拥有数以千计的更小、更高效的处理单元,用于处理多个并行小任务。CPU 拥有复杂的系统指令,能够进行复杂的任务操作和调度,两者是互补关系,而不能相互代替。

人工智能技术——四要素分析

发表于:01/16/2020 , 关键词: 人工智能
人工智能四要素分析:大数据——人工智能的智能都蕴含在大数据中;算力——算力为人工智能提供了基本的计算能力的支撑;算法——算法是实现人工智能的根本途径,是挖掘数据智能的有效方法; 场景——大数据、算力、算法作为输入,只有在实际的场景中进行输出,才能体现出实际的价值。

比较三种常见的神经网络

发表于:01/16/2020 , 关键词: 神经网络
神经网络根据中间功能层的不同分为不同的神经网络。主要有三种: 全连接神经网络(FNN) ;卷积神经网络(CNN) ;循环神经网络(RNN)

VR虚拟现实的“虚”与“实”

发表于:01/15/2020 , 关键词: 虚拟现实
关于VR的电影非常多,如果你小心,仔细的去看这些电影,会发现,当VR发生的时候,经常也会伴随着人工智能AI的事情。比如说在虚拟世界里,会看到很多故事是关于人造人跟自然人之间的一些故事。VR跟AI,非常紧密关联的两个概念。基本上所有的科幻片,里面都会有VR的场景,VR的元素。

关于机器学习,我们忽视的东西

发表于:01/15/2020 , 关键词: 机器学习
人工智能,更具体地说,是机器学习将科幻小说变成了现实 —— 没有其他的方式来表达它。每次我浏览技术评论或 TechCrunch 时,我都被我们现在可以“随意”做的事情所震撼。

常见的图像特征

发表于:01/15/2020 , 关键词: 图像特征, CNN, OpenCV
虽然现在CNN可以自己进行特征提取,但还是需要对OpenCV传统的特征提取方法有一些了解

颜色特征提取方法

发表于:01/14/2020 , 关键词: 计算机视觉
计算机视觉的特征提取算法研究至关重要。在一些算法中,一个高复杂度特征的提取可能能够解决问题(进行目标检测等目的),但这将以处理更多数据,需要更高的处理效果为代价。而颜色特征无需进行大量计算。只需将数字图像中的像素值进行相应转换,表现为数值即可。因此颜色特征以其低复杂度成为了一个较好的特征。