博客
2018年，人工智能告别喧闹，投融资市场渐趋冷静，底层技术研发持续推进，从衣食住行到教育医疗，人工智能全方位改变着生活的样貌。
近日，由斯坦福大学主导、来自MIT、OpenAI、哈佛、麦肯锡等机构的多位专家教授联合发布的人工智能指数年度报告出炉，报告显示，在人工智能这一领域，美国依然是当仁不让的王者，但中国的AI技术，无论在学术界还是产业界，都正以极快的速度向前追赶。报告中有几个惊人的数字：与2000年相比，2016年中国人工智能学者发表的论文被引用的次数提高了44%。清华大学去年学习人工智能和机器学习方向的学生数量是2010年的16倍。
更前沿的技术突破、更广泛的应用场景、更充足的人才准备，当热潮渐渐褪去，这个被押注了未来的行业，依然承载着人们对明日世界最广阔的想象。
空域滤波分为：1. 图像平滑(去噪声)；2. 图像锐化(突出轮廓)。
其中图像平滑的主要目的是：
1.模糊。在提取较大目标前，去除小的细节或将目标内的小间断连接起来的；
2.消除噪声。改善质量，降低干扰。
平滑滤波对图像的低频分量增强，同时削弱高频分量，用于消除图像中的随机噪声，起到平滑作用。
原作者：Sam S. 译者：Vivian Xue
如今手机游戏成为了一种重要的娱乐方式。开发手机游戏是一个很有趣的过程—如果你知道了取悦玩家们的关键所在。App Store里已充满了各种热门游戏，因此在发行产品前，你得先了解制作一个令人印象深刻的游戏都需要些什么，这是决定你成功或是失败的首要因素。迎合玩家们的期待是唯一的成功要诀。下面是你应该关注的一些因素。
<strong>I．这个游戏将如何让玩家们不断感受到乐趣？</strong>
绝大数OpenGL实现都有相似的操作顺序，一系列相关的处理阶段称为OpenGL渲染管线。图1-2显示了这些顺序，虽然并没有严格规定OpenGL必须采用这样的实现，但它提供了一个可靠的指南，可以预测OpenGL将以什么样的顺序来执行这些操作。
如果读者刚开始涉足三维图形编程，可能会对接下来的内容感到吃力。读者现在可以跳过这一部分内容，但在读完这本书的每一章时，都应该重温一下图1-2。
译：骄阳
随着各国政府寻求解决物联网安全问题，世界各地都出现了一系列的监管措施。这是一个积极行动，表明市场正在成熟，不过物联网监管并非没有挑战。这些监管措施不可避免地遭到了那些认为它可能会造成物联网废物堆积如山的人的抵制，而其他人则认为它可能会阻碍创新。
因此，每项立法都略有不同。Pen Test Partners的合伙人肯·芒罗( Ken Munro )表示：这些法规将决定监管的演变，因此我们必须考虑所采取的措施、它们的好处以及不足之处。
任何公司企业都免不了数据泄露事件。但这些事件会以哪种形式出现？攻击者是怎么获得访问权的？他们会窃取或破坏什么？到底是什么驱使着他们尝试这些攻击？数据泄露的本质和后果在来年会有怎样的改变？在此，业界专家们就网络罪犯明年入侵网络盗取数据的目标、途径和原因作出了他们的预测。
<font size="3"><strong> 五大攻击形式</strong></font>
<font color="#02c3b0"><strong>1. 汽车网络攻击将可能致命</strong></font>
电影《速度与激情8》上出现的黑客远程操控汽车形成丧尸潮一般的情形，现实中会出现吗？12月18日，全球著名白帽黑客、顶级安全专家Charlie Miller与Chris Valasek 在一场主题演讲中标记，随着自动驾驶技术的普及，好莱坞大片中的情节分分钟都会成为现实。
“攻击者一般需要四步来攻击一辆自动驾驶汽车。” 在日前由腾讯汽车主办的2018全球汽车AI大会上，Charlie Miller与Chris Valasek就“如何保障自动驾驶汽车安全”这一话题发表了看法，他指出“随着自动车的自动驾驶程度越来越高，未来车控制的每一个部分都可以被黑，都可以被攻击。”
大家使用Unity的经验都有多长呢？Unity编辑器中还有这样的隐藏功能你知道吗？本系列文章为大家介绍Unity使用小技巧......
<font color="Purple"><strong>技巧一</strong></font>
当前，人工智能正在席卷全球科技产业，越来越多的行业和市场都在人工智能领域进行深耕，作为当今辅助人类进行创新和变革的重要生产力工具和技术驱动力，人工智能技术当前已经发展到什么阶段了呢？未来人工智能产业又将会走向何方呢？
对于人工智能技术来说，我们日常经常看到的或许是机器算法的应用、又或是对于自然语言的处理等内容，对于人工智能来说，现在已经收集了海量的最优算法，其中涵盖了计算机视觉、游戏、自然语言处理、网络图、知识库等很多内容。
<font size="3"><strong>计算机视觉感知</strong></font>
卷积神经网络（Convolution Neural Network，CNN）已经在许多计算机视觉（Computer Vision）任务上取得了成功。 对于可视化，CNN 可以怎么应用于图形感知任务？ 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题，该实验测量了不同视觉编码的人类感知效率，并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能，并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现，但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果，以促进理解 CNN 在应用于数据可视化时的成功和失败。
手机常用的定位方式有：
1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。
<font size="3" color="blue"><strong>3. WiFi辅助定位</strong></font>
机器学习有望从根本上改变软件开发的本质，这也许是自FORTRAN和LISP被发明以来的第一次。 它对我们几十年来的编程范式提出了第一个真正的挑战。 这些变化对数百万正在实施软件开发的人而言，会意味着什么？ 我们是否会看到失业和裁员，或者会看到编程演变成不同的东西，也许会是一种更关注于满足用户的东西？
数学在机器学习中非常重要，不论是在算法上理解模型代码，还是在工程上构建系统，数学都必不可少。通常离开学校后很难有机会静下心学习数学知识，因此我们最好能通过阅读小组或读书会等形式营造环境，并专注学习那些在实践中常常需要用到的数学知识。
数学达到什么水平才可以开始机器学习？人们并不清楚，尤其是那些在校期间没有研究过数学或统计学的人。
本文的写作目的是介绍构建机器学习产品或进行相关学术研究所必需的数学背景，以及数学在工程和研究中的重要性。这些建议是根据我和机器学习工程师、研究者和教育者交流而得到的，当然也有我自己在机器学习研究和业界工作中的个人经验。
2019年将为数据中心和公共云和私有云提供什么？这是人们进行有根据的猜测。
在年底的时候，回顾和展望是不可避免的传统。在此将将重点放在数据中心和云计算，因为很多企业的开展业务正在云平台和本地部署实现之间找到平衡。
在此预测的大部分内容已经在研究或新兴趋势中被暗示过，所以不会超出更多范围。这只是根据过去的证据做出合理的假设和结论。希望这会提高准确率。以下就是对于数据中心和云计算的10个预测。
<font color="blue"><strong>1. 边缘计算已经成熟，但是需要业务模型</strong></font>
手机常用的定位方式有：
1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。
下面详细介绍：
<font size="3"><strong>1. 卫星定位</strong></font>
作者：魏秀参
本文将以 Alex-Net、VGG-Nets、Network-In-Network 为例，分析几类经典的卷积神经网络案例。
在此请读者注意，此处的分析比较并不是不同网络模型精度的“较量”，而是希望读者体会卷积神经网络自始至今的发展脉络和趋势。
这样会更有利于对卷积神经网络的理解，进而举一反三，提高解决真实问题的能力。
<font size="3"><strong>01：Alex-Net 网络模型</strong></font>
<font color="blue"><strong>AIoT领域中人机交互的市场机会</strong></font>
自2017年开始，“AIoT”一词便开始频频刷屏，成为物联网的行业热词。“AIoT”即“AI+IoT”，指的是人工智能技术与物联网在实际应用中的落地融合。当前，已经有越来越多的人将AI与IoT结合到一起来看，AIoT作为各大传统行业智能化升级的最佳通道，已经成为物联网发展的必然趋势。
作为 AI 从业者，笔者经常被问及关于入行或转行 AI 的问题，其中颇有一些高频重复出现，今天总结出来几个，供大家参考。
<font size="3"><strong>问题1：年龄偏大了，而且之前也不是计算机相关专业的，怎么才能转行做 AI？</strong></font>
这个问题经常被问到。有不少朋友，工作了几年之后，想转向 AI 技术岗位。但感觉自己年纪比较大了，或者有生活压力，考全日制的研究生不太现实。
偏偏大多数公司招 AI 工程师的时候，要求应聘者有相关专业硕士学位等学术背书。作为转行者，应该怎样提高专业背景？
针对这种情况，笔者的建议是：从自己原来的专业领域入手。
