博客
可以把问题根据难度从小到大排个序：大数据+分布均衡<大数据+分布不均衡<小数据+数据均衡<小数据+数据不均衡。
说明：对于小数据集,机器学习的方法是比较棘手的。对于需要解决的问题，拿到数据后，首先统计可用训练数据有多大，然后再观察数据分布情况。经验表明，训练数据中每个类别有5000个以上样本，其实也要相对于特征而言，来判断样本数目是不是足够，数据量是足够的，正负样本差一个数量级以内是可以接受的，不太需要考虑数据不平衡问题（完全是经验，没有理论依据，仅供参考）。
<font size="3"><strong>0、搜集更多的数据</strong></font>
然而实际上，当搜集数据的代价不大时，这种方法是最有效的。
虽然经历的多年的发展，物联网却仍然面临应用碎片化的挑战。在可以预见的未来，物联网更多地会倾向于率先在垂直行业里蓬勃发展，此外还有三种趋势值得关注。
<font color="red"><strong>（1）更加丰富的连接技术</strong></font>
物联网的基础是连接，任何物联网应用的底层都是通过网络进行连接。大家比较熟悉的连接技术包括WIFI、蓝牙、ZigBee等短距离无线连接技术和GPRS、LTE、NB-IoT等蜂窝连接技术，当然还包含了工业总线、以太网、PON等有线连接技术。
【编者按】作为本轮AI的关键技术，深度学习不单只是深度神经网络模型本身。事实上，深度神经网络的发展痛点频频，包括稳定性和对设备的依赖性，以及调试复杂度困难等等。事实上，回归到深度学习的本质问题，前企学研界还有很多探索深度学习新的可能性。
本文原载于21世纪经济报，经亿欧网编辑，以供业内人士参考。
作为本轮人工智能热潮的关键技术，机器学习尤其是深度学习受到了热捧。一时间，人人嘴上挂着深度学习、神经网络等词汇，似乎不谈这一话题，便与智能时代脱节。
然而，无论开发者或科技企业，对深度学习恐怕存在一定误解。“如果问一下‘什么是深度学习’，绝大多数人的答案都会是：深度学习就是深度神经网络，甚至认为‘深度学习’就是‘深度神经网络’的同义词。”在2018英特尔人工智能大会上，南京大学计算机系主任、人工智能学院院长周志华直言现状。
<font size="3" color="Purple"><strong>一、OpenCL</strong></font>
（全称Open Computing Language，开放运算语言）是第一个面向异构系统通用目的并行编程的开放式、免费标准，也是一个统一的编程环境，便于软件开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效轻便的代码，而且广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器(DSP)等其他并行处理器，在游戏、娱乐、科研、医疗等各种领域都有广阔的发展前景。
毫无疑问，CompTIA Network +和Cisco CCNA路由和交换等认证是新兴网络管理员最感兴趣的考试。
但是必须指出的是，传统网络认证的坚实基础很重要。也就是说，如果你已经在网络上工作了几年，并且已经获得了传统的网络认证，那么可能是时候扩展你的视野了。在企业网络领域，有许多不同的领域可供关注。要关注网络领域的决定可能围绕两个因素。首先是网络的需求部分，因为它与您当前的工作有关，另一个是各人对网络领域的兴趣。
人工神经网络和机器学习已经成为大众媒体的热门主题。智能机器这一想法勾起了很多人的想象，而且人们特别喜欢把它和人类放一起比较。特别是有一个关于人工智能的底层机制的基础问题经常出现——这些人工神经网络的工作方式真的和我们大脑中的神经元相似吗？
原作者：Alex Vu 译者：Vivian Xue
游戏难度设计是人们深入讨论已久的话题。许多替代传统的在游戏开头提供难度选择的方法都被提出、分析和应用。然而，尽管它们从一定程度上弥补了传统方式的缺陷，它们本身仍存在诸多问题。因此，我想提出另一种替代方式——它算不上一种技术应用层面的解决方案，而是一种不同的难度设计理念。
我想要强调一点，这种理念已经被成功地运用到了许多游戏设计中，之后我将提到，但就目前的应用程度来看，它尚未成为难度设计的核心理念，而在我看来这是它应得的地位。我想这是由于我们缺乏一套相对清晰且深思熟虑的难度设计思路。
但首先，请让我试着简短地总结一些对传统的难度模式设计及其替代方法的常见批评。
<strong>难度模式存在的问题</strong>
无人驾驶汽车有望将在未来20年内得到广泛运用，各大科技公司和汽车厂商均在加大对无人驾驶的投入，资本也纷纷抢滩该万亿市场。
无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，通过电脑实现无人驾驶，可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
无人驾驶依赖几种先进技术，这些互为补充的技术感知周围环境、进行自我导航。究竟这些技术如何协同工作？除了Waymo等知名的领头羊之外，又有哪些公司在推动这个行业发展？
机器人视觉解决方案是我们实现机器人视野的几大挑战。即便变得越来越简单易用，还是有一些棘手的问题。很多因素影响机器人在环境中的视觉，任务设置和工作场所。这里有9个总结出来的机器人视觉挑战：
<font color="#33b1c8"><strong>1. 照明</strong></font>
如果有过在低光照下拍摄数码照片的经验，就会知道照明至关重要。糟糕的照明会毁掉一切。成像传感器不像人眼那样适应性强或敏感。如果照明类型错误，视觉传感器将无法可靠地检测到物体。
有各种克服照明挑战的方法。一种方法是将有源照明结合到视觉传感器本身中。其他解决方案包括使用红外照明，环境中的固定照明或使用其他形式的光的技术，例如激光。
随着自动驾驶汽车的兴起，使得不少传统车企似乎看到了新的商机，于是纷纷向该领域进行投资。然而提起“自动驾驶”，相信不少用户会感到陌生，但对于自动驾驶领域来说，从目前来看，它正以“飞速”的速度进行发展。小编坚信，未来，自动驾驶汽车将成为我们生活中最常见的交通方式，所以大家多少都需要知道一些关于自动驾驶的常识，也许当你想要购买该领域新车时，能够有一些自己的见解，正所谓“知己知彼百战百胜”嘛，下面小编为大家科普几个日常生活的需要的知识点，或许你看完会对自动驾驶有一个新的认识。
<font size="3"><strong>科普知识点一：记住这些知识点，关键时刻能保命</strong></font>
<font size="3"><strong>人工智能会让程序员失业吗？</strong></font>
当人工智能逐渐强大，大家开始担心：人工智能下一步又要在哪个领域干掉人类？
AI会让人类程序员失业吗？对此问题持肯定态度的人并不在少数。
<font size="3"><strong>1、决策树</strong></font>
适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。
优点：
• 直观的决策规则；
• 可以处理非线性特征；
• 考虑了变量之间的相互作用。
从VR元年的轰轰烈烈到如今的稳步发展，VR行业“诞生”的时间实际上只有三年，但在这三年中，VR给我们的生活带来的切实改变和对未来的畅想却无处不在，VR直播、VR看房、VR游戏等都为我们的生活带来了许多便利和色彩。但与此同时，VR也受到了一些质疑，例如在一些VR应用中，部分用户会感到眩晕，并因此认为VR不适合长时间佩戴。那么不吹不黑地说，VR到底对我们的生活产生了什么影响？
VR（Virtual Reality）即虚拟现实，与传统的屏幕相比有着本质的不同。无论是手机、平板还是电视，它的屏幕尺寸是固定的，也会占据现实世界中的相应面积。而VR则能够通过左右眼各一块屏幕为用户创造一个360°沉浸式的虚拟世界，这两者的区别是显而易见的——屏幕是一块画面，而VR则是一个世界。
<strong>1、为什么要用神经网络？</strong>
对于非线性分类问题，如果用多元线性回归进行分类，需要构造许多高次项，导致特征特多，学习参数过多，从而复杂度太高 。
在神经网络中引入激活函数一个重要的原因就是为了引入非线性。
<strong>2、CNN基本问题</strong>
层级结构：输入层->卷积层->激活层->池化层->卷积层->激活层->池化层->全连接层····
（1）输入层数据预处理：去均值；归一化；PCA/白化；
去均值：即0均值化，CNN常用，训练集所有像素值减去均值，把输入数据各个维度中心化到0，测试集也减相同的均值；
人工智能等新一代信息技术的快速崛起，推动诸多行业掀起了变革大浪潮。随着智能化、数字化趋势日益凸显，人工智能受到了更多青睐，在各行各业实现了广泛应用，并且开始承担不同的角色，发挥独特的优势。<!--break-->
文/未末末
来源/人工智能观察（ID：Aiobservation）
人工智能等新一代信息技术的快速崛起，推动诸多行业掀起了变革大浪潮。随着智能化、数字化趋势日益凸显，人工智能受到了更多青睐，在各行各业实现了广泛应用，并且开始承担不同的角色，发挥独特的优势。
<font size="3"><strong>如何选择卷积核的大小？越大越好还是越小越好？</strong></font>
答案是小而深，单独较小的卷积核也是不好的，只有堆叠很多小的卷积核，模型的性能才会提升。
• CNN的卷积核对应一个感受野，这使得每一个神经元不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局信息。这样做的一个好处就是可以减少大量训练的参数。
研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。
本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。
<font size="3"><strong>1. 局部特征点</strong></font>
<font size="3" color="blue"><strong>误解一：5G是一场革命要取代4G</strong></font>
最初的5G采用NSA模式部署，即依托于现有4G来扩充网络容量和覆盖。最初的5G与4G非常相似，网络部署也主要利旧现有4G基站资源，这是一次从4G到5G的平滑演进过程。
物联网是与云计算相伴而生的，事实上，正是物联网的概念帮我弄清了对云计算的工作定义。物联网是一个由三个不同的子系统组成的系统:
• 云
• 聚合器
• 智能传感器
上述每一个子系统对于整个物联网系统的功能优化都是必需的。云是终极的计算单元和通用通信网络。智能传感器是通向现实世界的界面。最后，这些聚合者是中间人。对云来说，聚合器看起来像智能传感器，而对智能传感器而言，它看起来像云。
<font size="3"><strong>系统的特点</strong></font>
随着无线通信网络的发展，未来网络在频段和组网上将更加复杂，再加上业务多样性和终端的多类型，无线通信系统的规模和复杂度将日益增长。
对于未来体系庞大的通信系统，无线网络运维将面临诸多挑战，例如虚拟化与网络演进增加运维复杂性，单个问题可能会触发多个网络区域的告警；用户需求对网络运维质量要求提升，期待延迟容忍度从300毫秒降低到10毫秒；网络中可供分析的大量数据难以处理，实时分析数据量将增加1000倍以上等。
无线网络运维中因此而出现了故障分析定位及故障溯源困难、故障无法预测、运维派单不准确、现有的响应式运维模式效率低、客户体验差等问题。面对这些网络运维的压力和挑战，分析、拟合、经验流等传统的处理方法，已经越来越难以解决无线网络运维的问题。
