在场中浏览主要算法以获得可用的方法的感觉是有用的。有这么多的算法，它可以感觉压倒性的算法名称被抛在周围，你希望只是知道他们是什么，他们适合的地方。

我想给你两种方法来思考和分类你可能在现场遇到的算法。第一种是通过学习风格的算法分组；第二种是通过形式或功能上的相似性（例如将类似的动物组合在一起）的算法分组。这两种方法都是有用的，但将集中在通过相似性的算法分组，并进行各种不同的算法类型的游览。

尽可能的给出了算法的英文名称以及英文缩写，少数算法只有中文名字......

作者：George Seif
编译：ronghuaiyang

不是所有的数据都是完美的。实际上，如果你拿到一个真实的完全均衡的数据集的话，那你真的是走了狗屎运了。大部分的时候，你的数据都会有某种程度上的不均衡，也就是说你的数据集中每个类别的数量会不一样。

<font size="3"><strong>我们为什么想要数据是均衡的？</strong></font>

在我们开始花时间做深度学习项目之前，非常重要的一点是需要理解为什么我们要做这个事情，确保我们的投入是值得的。当我们真正关心的是少数的类别的时候，类别均衡技术就是真正的必须的了。

<font size="3"><strong>前言</strong></font>

要预测未来一年的网络威胁发展趋势很难，无论是威胁的形态和响应的防范方式都在快速迭代，加上各国对于网络空间中地缘政治利益的理解日益深刻，不同的力量交织在一起进一步加深了复杂性。

国外安全媒体CSO Online还是试着对明年的网络安全态势做出了九大预测，我们来看一看他们是怎么说的。

<font size="3"><strong>一、勒索软件活跃度下降，破坏性不减</strong></font>

<font color="blue"><strong>1. 基于神经网络的机器翻译</strong></font>

入选理由：翻译是“自然语言处理”的最重要分支，也是比较难的一支。早年间，机器翻译还被视作 “低级翻译”被嘲讽，如今神经网络的机器翻译准确性大大提高，堪比专业人工翻译。我们熟知的谷歌翻译、微软语音翻译以及搜狗语音识别等都是基于此项技术。

<font color="blue"><strong>2. 基于多传感器跨界融合的机器人自主导航</strong></font>

最近，在看caffe源码时，偶然在网上看到一个问题？觉得挺有意思，于是，仔细的查了相关资料，并将总结写在这里，供大家迷惑时，起到一点启示作用吧。

问题的题目是CNN中的一个卷积层输入64个通道的特征子图，输出256个通道的特征子图，那么，该层一共包含多少个卷积核？

对于上面这个问题，目前有两种答案，每一种答案的区别是所基于的卷积核的维度不同而导致的。下面是两种答案的解析过程：

<strong>第一种答案：</strong>卷积核是二维的（caffe源码中以卷积核二维转化成相应矩阵），那么就需要64*256个卷积核来对输入特征子图进行卷积，其中，输入的每个通道对应64种不同的卷积核进行卷积，再将64种卷积核得到的卷积结果合并成一张输出特征子图；这样，就会得到256个通道的特征子图。

目前，智慧城市已经成为全球众多城市未来规划和设计的方向，并致力于通过各种新技术的应用来改善城市居民的工作与生活。

但什么样的技术应用能够推动智慧城市的建设？如何让新技术在智慧城市中的应用效率最大化？这是所有城市规划者都在思考的问题。

从最近几年全球各地智慧城市建设的应用案例可以发现，各种新技术从城市基础设施和生活设施入手，覆盖智能停车、智能路灯、智能交通、智能能源、智能医疗、智能建筑和智能环境等七个常见领域，从各方面逐步让智慧城市变为现实。

<font color="blue"><strong>1. 智能停车提升交通效率</strong></font>

<strong>什么是epoch？</strong>

当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。然而，当一个epoch对于计算机而言太庞大的时候，就需要把它分成多个小块。

<strong>为什么要使用多于一个epoch?</strong>

在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。但请记住，我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降来优化学习过程。如下图所示。因此仅仅更新一次或者说使用一个epoch是不够的。

什么是渲染（Rendering）?渲染简单的理解可能可以是这样：就是将三维物体或三维场景的描述转化为一幅二维图像，生成的二维图像能很好的反应三维物体或三维场景。<!--break-->

<font color="#9a9a9a"><i>对图形渲染管线的各个阶段到底做了些什么，总是不甚清楚，每次翻书查阅，但是过了一阵遇到还是翻书，这次看Cg教程里写的不错，特地摘下来，以备查阅。- by shenzi/2010.3.25</i></font>

<font size="3" color="Purple"><strong>什么是渲染（Rendering）？</strong></font>

<font color="Purple"><strong>GI：全局光照，</strong></font>指的是模拟光线是如何在场景中传播的算法。不仅会考虑直接光照的结果，还会计算光线被不同的物体表面反射产生的间接光照。

Unity使用的是预计算实时全局光照 ： 实时（直接光照）+ 预计算（直接光照和间接光照）模拟光照。（这里的实时指的就是物体移动光照效果也会变化。）实时光照没办法模拟光线的多次反射的效果，所以加了预计算光照。预计算光照效果就既有直接光照，也有间接光照。

原理：一旦物体和光源的位置固定，物体对光线的反弹路径及漫反射光照也是固定的，因此可以预计算，把物体之间的这些关系计算出来。这样在实时运行时，只要光源位置不变，这些关系信息就一直有效，不需要实时更新。

<font size="3" color="blue"><strong>前言</strong></font>

在日常开发APP 的过程中，随着业务的扩展，规模的变化。我们的代码规模也会逐渐变得庞大，每一个类里的代码也会逐渐增多。尤其是Activity和Fragment ，由于Context 的存在，基本上所有对视图的操作我们只能在Activity和Fragment中完成；即便是对某些逻辑进行封装，Activity和Fragment 依旧会显得过于臃肿。因此，我们需要换一种思路去写代码，这个时候MVP模式就应用而生了！那么MVP 怎么用呢，下面就来说一说。

<font size="3"><strong>数字信号处理中卷积</strong></font>

卷积一词最开始出现在信号与线性系统中，信号与线性系统中讨论的就是信号经过一个线性系统以后发生的变化。由于现实情况中常常是一个信号前一时刻的输出影响着这一时刻的输出，所在一般利用系统的单位响应与系统的输入求卷积，以求得系统的输出信号（当然要求这个系统是线性时不变的）。

<strong>1、概念 </strong>

L0正则化的值是模型参数中非零参数的个数。

L1正则化表示各个参数绝对值之和。

L2正则化标识各个参数的平方的和的开方值。

<strong>2、问题 </strong>

1）实现参数的稀疏有什么好处吗？

一个好处是可以简化模型，避免过拟合。因为一个模型中真正重要的参数可能并不多，如果考虑所有的参数起作用，那么对训练数据可以预测的很好，但是对测试数据就只能呵呵了。另一个好处是参数变少可以使整个模型获得更好的可解释性。

2）参数值越小代表模型越简单吗？

不管您是工程师或是消费者，我们都能感受到AI和物联网技术给生活带来的变革，随着大数据的发展，AI和物联网技术的结合成为了一种新的技术趋势，AIoT是未来的核心驱动力，也将成为企业布局的重要领域。雷军曾在世界人工智能大会上提到，人工智能正在给人类社会带来深刻的变革，AI与IoT结合将形成AIoT，也就是万物智慧互联，在这个领域未来有着巨大的发展空间。AIoT即将成为工业机器人、智能手机、无人驾驶、智能家居及智慧城市等新兴产业的重要基础。

<font color="#33b1c8"><strong>AIoT在工业机器人上的应用</strong></font>

自人工智能开始成长以来，其风波一直不断，特别是近几年，人工智能步入黄金发展期，舆论风暴更是一波接着一波。“人工智能距离威胁人类还有多远？”“八大现象论证人工智能威胁论真的存在”“AI警告！科技大佬为何纷纷站队AI威胁论”······

但是不管舆论怎样推波，我们都必须面对一个事实“AI真的让我们生活的很好！”，并且它还会持续的“好”。未来的一年，人工智能还会继续发力。

以下是2019年人工智能的发展趋势，你准备好迎接了吗？

<strong>1. 新技术实现部分任务自动化</strong>

0x00、简介

对于攻击者来说，在收集目标数据的过程当中（基础设施扫描、踩点、传递恶意软件），很容易被安全分析师发现。机器学习在防御领域的应用不仅增加了攻击者的成本，而且极大地限制了技术的使用寿命。其实攻击者已经发现了这种趋势，

&nbsp; • &nbsp; 防御软件以及安全分析人员可以访问大量数据收集和分析

&nbsp; • &nbsp; 机器学习无处不在，以加速防守成熟度。

攻击者总是处于不利地位，因为我们作为人类试图打败自动学习系统，这些系统利用每一次绕过尝试来更多的了解我们，并预测未来的绕过尝试。然而，正如我们在这里所说的，机器学习不仅仅是在防守方使用。这篇文章将探讨攻击者如何利用收集的很少的数据，使用机器学习技术击溃入侵检测系统。

0x01、传统沙箱逃逸介绍

有太多的公开课、教程在反复传颂卷积神经网络的好，却都没有讲什么是“卷积”，似乎默认所有读者都有相关基础。这篇外文既友好又深入，所以翻译了过来。文章高级部分通过流体力学量子力学等解释卷积的做法在我看来有点激进，这些领域恐怕比卷积更深奥，所以只需简略看看即可。以下是正文：

卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。但卷积为什么如此强大？它的原理是什么？在这篇博客中我将讲解卷积及相关概念，帮助你彻底地理解它。

如今人工智能发展火热，机器学习预见成熟，智能化未来似乎指日可待。表面上似乎一切都在按部就班的进行，但背后也不乏暴露出很多问题。就像近期人工智能威胁论就引发了不少的言论激战，揪其根源还是人工智能是否能够有意识违背人类意愿操控事务的问题。

因此，我们或许想问：人工智能机器人究竟有多强大？机器人真的会“反噬”人类吗？《终结者》里的Skynet（天网）会真的发生在现实生活中吗？

<font size="3"><strong>强弱AI</strong></font>

首先我们应该区分两个概念：强AI和弱AI。强AI 是指一种能够思考并可以感知自身存在的假想机器。它不仅可以解决人类为其定制的任务，还可以学习新事物。

深度学习的突破将人工智能带进全新阶段。 2006 年-2015 年是人工智能崛起的黄金十年。2006 年 Hinton 提出“深度学习”神经网络，使得人工智能的性能获得了突破性进展，2006 年成为人工智能发展史上一个重要的分界点。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201811/blog/19…; alt="如今领占主导地位的19种AI技术！"></center>

智能网联汽车是汽车与信息、通信等产业跨界融合的典型应用，被认为是全球创新热点和未来产业发展制高点。随着汽车智能化、网联化程度的加深，人们实现了对汽车的更多控制，为生活带来了各种便利，但随之而来的远程攻击、恶意控制甚至入网车辆被操控等安全隐患也日益明显，如何保障智能车辆安全，实现便捷性与安全性之间的矛盾成为汽车智能化发展的重要环节。

<font size="3"><strong>巨大发展潜力下的安全隐患</strong></font>

随着机器人技术的发展，大多数机器人已经不再是单一用途，它们可以完成更多人类无法完成的危险工作。经过几十年的发展，如今的机器人已经能够模仿人类行为，被称为类人生物。目前世界上最先进的五大机器人，或许在未来登陆宇宙各大星球的就是它们。

<font size="3"><strong>全球最先进五大机器人</strong></font>

<font color="blue"><strong>腱悟郎（Kengoro）</strong></font>