博客
机器学习是一种伟大的工具，正在改变着我们的世界。 在许多伟大的应用中，机器（尤其是深度学习）已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net，我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过，我看到机器学习方法每天都在失败。 在许多这样的情况下，人们迷上了机器学习的七大罪过之一。
在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。
尽管先进的传感器技术将在赋予智慧城市能力方面发挥关键作用，但智慧城市还需要依赖传感器以外的更多技术。这些数据驱动型技术共同发挥作用，以优化资源利用，为公民提供便利，并为政府提供更大的可见性和控制力。
人工智能，机器学习，神经网络或其他任何花哨的术语行业都应运而生，它被定义为复杂的计算机技术，被广泛用于理解和改善业务和客户体验。 我想您以前已经听说过它，但是今天定义它的方式是计算机科学领域，它强调创建像人一样工作和反应的智能机器。
LoRaWAN规范是一个开放的标准，它对任何人免费开放，并且没有许可费或与使用相关的其他费用。在设备端和云端，都有LoRaWAN堆栈的开源实现。从这个意义上说，LoRaWAN是免费使用的。此外，由于LoRa通常在免许可的千兆赫兹无线频段内运行，因此这使得任何人都可以自由地建立基本的LoRaWAN网络。
Unity的开发模式核心：节点和组件，组件可以加载到任何节点上，每个组件都有 gameobject 属性，可以通过这个属性获取到该节点，即游戏物体。也就是说游戏物体由节点和组件构成，每个组件表示物体的一种特性（能力）。
计算机视觉的基本任务包括图像识别，物体检测，图像分割等。图像识别主要是对给定图像进行分类；物体检测需要将利用矩形框将图像中的物体标识出来；图像分割需要将图像中不同的像素点进行分类，与物体检测相比，图像分割更加细致，难度更大，FCN是利用机器学习的方法进行图像分割，但是图像分割还有其他不同的方法，这也是我在这篇博客里头要提到的。
TensorFlow是Google基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Caffe是一个清晰而高效的深度学习框架，作者是毕业于UC Berkeley的贾扬清。Torch已有十多年，是一个广泛支持机器学习算法的科学计算框架，具有简单和快速的脚本语言LuaJIT和底层C/CUDA实现, Facebook开源了Torch深度学习库包...
2020年5月25日是欧盟正式发布实施通用数据保护条例（GDPR）的两周年纪念日。然而GDPR这个刚满两岁的条例还有很长的路要走，两年来有关遵守该条例的数据表明，理想的条例遵守情况与现实发展之间存在重大脱节。
“过拟合就是训练的时候效果很好，损失函数值可以降得很低，但是到测试数据集的时候表现就不那么好了，原因是过分依赖于现有训练数据集的特征造成的，解决方法是可以加大数据集来进行训练。
人工智能网络安全市场增长的主要驱动力是新的攻击面和攻击矢量往往超出传统安全防御体系的感知范围、处理能力和响应速度，例如云计算、移动互联网和物联网环境的DDoS检测、大数据隐私保护（差分隐私）等。
在数字时代，对安全性的需求比以往任何时候都高，因为我们大多数人将很大一部分生活都放在移动设备上。因此，移动电话和技术开发人员将生物识别技术集成到这些设备中，以防止盗窃并确保我们的财物安全。在本文中，我们将探讨这项技术给我们的日常生活带来革命性变化的一些方式。
物联网（IoT）有着巨大的潜力，几乎没有哪项技术能与其相媲美，并且它几乎在每一个领域都释放出了新的机遇和创新。因此，全球企业正在安装比以往更多的传感器，以利用物联网的发展潜力。但如果没有适当的数据管理策略，这些传感器的实施可能会适得其反。企业可能会发现自己的服务器被大量噪音所堵塞，而不是提高效率和降低成本，而且也没有获得多少回报。
