作为一个机器学习方面的小白，在闵老师课上学的两个聚类算法，即经典的K-means聚类和基于随机游走的聚类算法，是我学习到的头两个与机器学习相关的算法。算法课上，闵老师先讲了简单但是经典的K-means聚类算法，让我们对聚类算法有了一个初步的理解，紧接着又花了大量的时间剖析了基于随机游走的聚类算法。五周十二次的课程，我学到的不只是算法本身，下面将从几个方面来总结我对本课程的收获。

物联网是一种包含网络传感器的设备，可以进行远程监测和控制。到2025年，物联网设备的安装数量预计将达到750亿台。这些设备包括家用路由器、远程摄像头、医疗设备等等。物联网市场涵盖的领域非常广泛，包括工业、银行业、零售业、制造业以及医疗保健等行业。2018年以来，随着总体网络安全趋势的暴露，全球范围内大量正在使用中的物联网设备如今已沦落为网络犯罪分子的乐园。随着越来越多物联网设备被引入市场，物联网所面临的风险也在愈发增多，且威胁样式也在发生转变。

<font size="3"><strong>威胁之源</strong></font>

大数据、人工智能是目前大家谈论比较多的话题，它们的应用也越来越广泛、与我们的生活关系也越来越密切，影响也越来越深远，其中很多已进入寻常百姓家，如无人机、网约车、自动导航、智能家电、电商推荐、人机对话机器人等等。

说到协程，我们首先回顾以下线程与进程这两个概念。在操作系统（os）级别，有进程（process）和线程（thread）两个我们看不到但又实际存在的“东西”，这两个东西都是用来模拟“并行”的，写操作系统的程序员通过用一定的策略给不同的进程和线程分配CPU计算资源，来让用户“以为”几个不同的事情在“同时”进行“。

CES2019期间，Imagination Technologies的技术演示涉及到其全系列IP产品的最新技术及其顶级应用，包括用于图形和图像处理的图形处理器（GPU）IP产品、用于人工智能（AI）的神经网络加速器（NNA）IP产品以及用于通信连接的Ensigma IP产品等。

新年伊始，安全企业都会对过去一年发生的重要事件进行梳理，并基于自身在过去一年对安全态势的理解和积累，形成独特视角，发布新一年的安全趋势预测。

作为全球最大的安全企业，赛门铁克（Symantec）如何看待2019年全球网络安全的发展态势？

<font size="3"><strong>趋势1. 围绕AI的竞争和对抗</strong></font>

赛门铁克认为，技术逐年成熟甚至已经到达商用标准的人工智能（AI），无论是从“攻击者”还是“防御着”视角，其强大的自动化、增强决策能力，是攻防双方对人工智能及相关技术的竞争和对抗，2019年会演变的更加激烈。

先从攻击者角度来看。

各种类型的无线技术和网络允许设备在没有电缆的情况下彼此和网络（TCP / IP网络）说话（发送数据）。有许多不同的无线技术可以在用于物联网（IoT）和机器到机器（M2M）通信的硬件产品中实现。电气和电子工程师协会（IEEE）为802.15技术设立了七个任务组。这些小组为用于个人区域网络的常见无线技术设定了标准。

深度学习对社会和个人的生活将产生深远的影响，其影响方式也是难以想象的。未来若干年，它又将如何影响我们所处的世界？如何让深度学习为个人和生产赋能，发挥作用呢？神经网络的先驱、全球AI专业会议NIPS基金会主席特伦斯·谢诺夫斯基在其新书《深度学习：智能时代的核心驱动力量》中，首次以亲历者视角，前瞻性的提出了未来人工智能发展的8大重要预判。

当前游戏漏洞方面还没有权威的定义和分类方法，不同的人可能会有不同的分类方式，比如有些人喜欢按游戏玩法模块来划分漏洞，把漏洞分为任务系统漏洞、战队系统漏洞、对战系统漏洞等等。这里所说的分类方法主要是从技术角度来分析漏洞形成的原因，进行归纳总结出来的分类方法，仅供大家参考。

时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来。循环神经网络（Recurrent Neural Network或RNN )就是一类用于处理序列数据的神经网络。RNN的状态，不仅受输入影响，还受前一时刻状态的影响。

机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，因此机器学习研究的主要内容，是关于在计算机上从数据中产生模型(model)的算法，即学习算法(learning algoritmn)，有了学习算法，我们把经验数据提供给它，它就能基于这些数据产生模型。在面对新的情况的时候，模型会给我们新的判断。

当你做纹理映射的时候，是否经常会注意到屏幕上显示出的那些明显锯齿，而且你用的纹理像素化得太明显了？现在，我们将谈论如何来解决这个问题，而我们使用的方法就是对你的纹理进行滤波。下面我们将介绍几种常用的滤波方法，最后再详细介绍双线性插值滤波的具体实现。

之前上课的时候其实就没搞懂什么是维纳滤波和卡尔曼滤波，老师完全讲不清楚来龙去脉，滤波、预测都说不清楚。后来刷知乎看到大神的解释，当时倒是茅塞顿开，但是前几天做笔试遇到关于维纳滤波的题目，发现功课没做够。要学习一个东西，我认为第一步不应该是讲它的定义，而是先搞清楚它是在上面背景下提出的，伟大的数学家提出一个概念肯定不是为了考我们的，而是为了解决实际问题的。

之前在《移动和无线网络的深度学习综述（一）》的文章了分享了论文的摘要和Itroduction的内容。 在本文，你可以了解到： 论文的第二节，相关的论文和这篇综述的范围；论文的第三节，深度学习101。

OpenGL绘制三维图形时涉及多种坐标系，各个坐标系都有它各自的作用。本文将介绍以下四个常见的坐标系：模型（物体）坐标系、世界坐标系、相机（人眼）坐标系和窗口坐标系。下面我们逐个讲解这些坐标系的作用。

过去一年，从 Facebook 数据泄露事件、币圈频发的网络攻击，到知名酒店集团的信息泄露，让越来越多的企业意识到他们在防范潜在威胁和新型攻击媒介方面的投资还远远不够。他们也愈加关注安全 方面的趋势，防患于未然，以保护投资回报。近年来，云计算、人工智能（AI）、机器学习（ML）、物联网（IoT）和大数据在很大程度上推动了企业运营方式的演变。值得一得的是，所有这些技术都是由软件驱动的。

目前英国在AI领域是全球的领导者，并且希望在未来发挥更大的作用。2018年是AI在英国发展的关键一年，所以我们想花费一点时间分享一下过去12个月里发生的一些重大事件。

Frame Buffer 是用来存储帧位图的数据存储区域。这里在介绍另外一个缓存，叫深度缓存 (Depth Buffer), 也叫作 Z-Buffer。从名字上来看这是一个存储深度（数据）的存储区。深度是什么？要描述一个物体的位置，需要借助参照物。我们这里扩展一下， 要用数值来表述一个物体的某种属性，要有这个数值参照的原点。既然深度值是数值，那它的参照原点是什么呢？

图像和视频通常包含着大量的视觉信息，且视觉信息本身具有直观高效的描述能力，所以随着信息技术的高速发展，图像和视频的应用逐渐遍布人类社会的各个领域。近些年来，在计算机图像处理、计算机视觉和机器学习等领域中，来自工业界和学术界的许多学者和专家都持续关注着视频图像的超分辨率技术这个基础热点问题。本文试着讲述超分辨率技术的正确打开方式，浅谈视频图像的超分辨率技术的基本概念和应用场景等问题。