<strong>1、LR和SVM有什么相同点</strong>

（1）都是监督分类算法，判别模型；

（2）LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）；

（3）两个方法都可以增加不同的正则化项，如L1、L2等等。所以在很多实验中，两种算法的结果是很接近的。

<strong>2、LR和SVM有什么不同点</strong>

<font color="#33b1c8">（1）本质上是其loss function不同；</font>

身为技术主管和工程经理，我们经常遇到的问题是如何提高团队的效率。但是在你集中精力提高他们的工作效率之前，你可能首先要考虑是什么在破坏他们的工作效率，并建立起良好的基础。

程序员想要完成什么工作，根本离不开电脑，但确实还有很多公司希望程序员不使用电脑就能完成工作（你敢信）。

因此，我们列出了12件阻碍程序员提高效率的事情。下面给出的顺序是按最重要到不重要的排序的（从我的视角），请大家斧正。

其实吧，给程序员们加薪也是个好办法，哪怕加薪10%，也能起到相当不错的激励作用。

<font color="#aa8812"><strong>1) 干扰&会议</strong></font>

连接主义体系结构已存在 70 多年，但新的架构和图形处理单元 (GPU) 将它们推到了人工智能的前沿。深度学习架构是最近 20 年内诞生的，它显著增加了神经网络可以解决的问题的数量和类型。本文将介绍 5 种最流行的深度学习架构：递归神经网络 (RNN)、长短期记忆 (LSTM)/门控递归单元 (GRU)、卷积神经网络 (CNN)、深度信念网络 (DBN) 和深度叠加网络 (DSN)，然后探讨用于深度学习的开源软件选项。

深度学习不是单个方法，而是一类可用来解决广泛问题的算法和拓扑结构。深度学习显然已不是新概念，但深度分层神经网络和 GPU 的结合使用加速了它们的执行，深度学习正在突飞猛进地发展。大数据也助推了这一发展势头。因为深度学习依赖于监督学习算法（这些算法使用示例数据训练神经网络并根据成功水平给予奖惩），所以数据越多，构建这些深度学习结构的效果就越好。

此文对于程序员和美术制作人员都有很大的帮助作用，希望你看完后对基于物理的渲染有个整体的理解，此篇翻译的文章（The Comprehensive PBR Guide by Allegorithmic - vol. 1）基本上是从美术的角度来解释基于物理的渲染，有时间我会把程序部分的知识再细致讲一下，包括理论和实现，我自己目前也在学习阶段，主要在研究UE4的基于物理的渲染，希望在接下来的时间里出一个比较详细的文章来从程序员的角度详细阐述实现原理。

By 风恋残雪
博客：http://www.cnblogs.com/ghl_carmack/

区块链的概念最早源自比特币，已经存在8年之久了。随着区块链近年来市场热度持续升温，越来越多的行业及企业开始关注区块链技术领域。那么区块链未来的发展趋势究竟如何，你是否清楚呢?毋庸置疑，国内的区块链目前还处于萌芽发展的阶段，要想走向更成熟的阶段也许还需要5--10年，甚至更长的时间。不过从目前在国内的发展状况看，这并不妨碍价值投资者对区块链寄予的厚望。我国在“十三五”规划中明确指出要强化区块链等战略性前沿技术并进行超前布局。我国区块链企业数量不断增长，其中2014 年单年度新增区块链企业数量最多。与全球区块链领域投资相比，中国区块链产业投融资起步稍晚，2016年明显加速，较2015年增长了293%。2017年区块链更是开始运用到更多的行业，电商、共享单车平台等，可见其发展前景是很好的。

<font size="3"><strong>1、Color Filter Array — CFA</strong></font>

机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。AutoML 试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器学习模型无需人工干预即可被应用。

在学习机器学习中，看过挺多案例，看到很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。

<font size="3"><strong>一、离散化原因</strong></font>

数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：

<strong>1、算法需要</strong>

比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。

<font size="3"><strong>CNN卷积神经网络卷积层和池化层详解</strong></font>

卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

一直以来，视频监控便是是安全防范系统中的重要组成部分，传统的监控系统包括前端摄像机、传输线缆、视频监控平台。然而查看视频不仅是件工作量巨大而且是人力效率极低的事情，一直以来，安防领域都在寻求着不同的解决方法。人类监视监控视频的能力限制导致其对人工智能的需求。

<font size="3"><strong>早期解决方案-运动检测相机</strong></font>

物联网技术可促进生产生活，为社会创造价值。实际上，物联网背后的传感器技术及其产生的数据有着更大价值，然而我们却很少关注它们。这种情况必须改变！

<font size="3"><strong>物联网分析的重要性</strong></font>

科研人员通常会投入了大量精力来研发、部署传感器，而不是对这些传感器生成的大量数据进行分析。但是，没有经过分析的数据是一文不值的。如果科研人员将更多的精力放在创建流式传输传感器之前生成的数据上，那会更好。

如果有了物联网分析（AoT），将会创造什么价值呢？小编通过几个案例来进行说明：

<strong>1、预测性维护</strong>

<font size="3"><strong>一、DDoS的概念</strong></font>

<strong>1. 什么是“DDoS”?</strong>

DDoS:Distributed Denial of Service(分布式拒绝服务)攻击指借助于客户/服务器技术，将多个计算机联合起来作为攻击平台，对一个或多个目标发动DDoS攻击，从而成倍地提高拒绝服务攻击的威力。通常，攻击者使用一个偷窃账号将DDoS主控程序安装在一个计算机上，控制大批量的肉鸡发动攻击。

<strong>2. 什么是“拒绝服务”攻击?</strong>

<font size="3"><strong>为什么要使用卷积呢？</strong></font>

在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量，需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，有时多了，有时少了，有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。

如果有人说，任何特征都是从图像中提取的，那如果把整副图像作为特征来训练神经网络不就行了，那肯定不会有任何信息丢失！那先不说一幅图像有多少冗余信息，单说着信息量就超级多。。。

高精度地图是自动驾驶/无人驾驶的重要组成，那究竟什么是高精度地图？

网上找了两个关于高精度地图的定义，如下：

定义一：高精细地图是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道，如今随着定位技术的发展，高精度的定位已经成为可能。而精细化定义，则是需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。

定义二：高精度电子地图也称为高分辨率地图(HD Map，High Definition Map)，是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精度地图除了能提供的道路(Road)级别的导航信息外，还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都是远远高于传统导航地图的。

<font size="3"><strong>物联网关键技术——RFID</strong></font>

<strong>什么是RFID？首先得搞清楚什么是物联网。</strong>

物联网是继计算机、互联网与移动通信网之后的世界信息产业的又一次革命。2005年11月国际电信联盟(ITU)发布了《国际电信联盟互联网报告2005：物联网》，将物联网定义为“把任何物品通过信息传感设备(如RFID)与互联网连接起来，进行信息交换和通信，可实现智能化识别、定位、跟踪、监控和管理。”

大数据文摘出品
编译：DonFJ、蒋宝尚

机器学习是现在大家都打了鸡血想用或者在用的技术。

但是，你以为只有好人能用它吗？Too young too simple！

接下来，我将揭秘AI技术黑暗的一面——犯罪份子和人工智能的孽缘。

<font size="3" color="#33b1c8"><strong>线性滤波与卷积的基本概念 </strong></font>

线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。

人工智能正热。技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技术”，比如蒸汽机、内燃机、电力等。如今这个时代，人工智能就是最重要的“通用技术”。

<font size="3"><strong>一、概述：</strong></font>

应用层、网络层/传输层、物理层/数据链路层、设备层
接入协议一般负责子网内设备间的组网及通信。

<font size="3"><strong>二、近距离通信协议：</strong></font>

<strong>2.1、RFID</strong>

1、RFID简介

RFID的空中接口通信协议规范基本决定了RFID的工作类型，RFID读写器和相应类型RFID标签之间的通讯规则，包括：频率、调制、位编码及命令集。ISO/IEC制定五种频段的空中接口协议。

RF、GBDT和XGBoost都属于集成学习（Ensemble Learning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。

根据个体学习器的生成方式，目前的集成学习方法大致分为两大类：即个体学习器之间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法；前者的代表就是Boosting，后者的代表是Bagging和“随机森林”（Random Forest）。

<font size="3"><strong>1、GBDT和XGBoost区别</strong></font>

XGBOOST相比于GBDT有何不同？XGBOOST为什么快？XGBOOST如何支持并行？