博客
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。
<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？
作者简介：李智勇，声智科技合伙人、副总裁。
2017 年可以看做是智能语音交互的元年，在这一年里小爱同学、天猫精灵纷纷上市。2018 年里语音交互的落地突然加速，落地的产品从大公司关注的智能音箱扩展到其它品类，比如电视盒子、闹钟、灯、智能马桶等。那接下来语音交互会如何发展？
<font size="3" color="blue"><strong>语音交互的终极目标</strong></font>
语音交互的便利程度正好与人工智能的发展程度成正比，智能程度越高语音交互的等级也就越高，所以其终极形态与人工智能的终极形态类似。
文/张康康
过去十几年，人类可以说是在机器智能面前节节退败，屡败屡战，而多任务处理（multi-tasking）几乎是为数不多可以让人类骄傲的事情了。人们可以同时打开8个网站、数份文档和一个交友软件，即使正在专心处理其中一件事，只要突然收到一条回复或更新提醒，也能够快速安排。对机器而言，要在同一时间完成这样的任务显然有点困难，因此，多任务处理一直被视为人类独有的技能点。
然而，这个优势也将失去了。
近几年，Alphago、视频识别、指纹解锁、图片识别、语音转文字、机器人看病等一系列事件，使我们深刻的感受到人工智能在改变我们的工作方式和认知。国内人工智能产业中，就算集视觉与图像领域公司的数量已达数百家，仅次于自然语言处理类公司，位居第二。其中该领域最为出名的创业公司包括旷世科技Face++、商汤科技、极链科技Video++等。
使用简单的黑客攻击，黑客可以了解您可能不想透露的未经授权的个人信息。了解这些常见的黑客技术，如网络钓鱼，DDoS，点击劫持等，可以为您的人身安全提供便利。
nethical黑客可以称为非法活动通过修改系统的功能，并利用其漏洞获得未经授权的信息。在这个大多数事情发生在网上的世界里，黑客为黑客提供了更广泛的机会，可以未经授权访问非机密信息，如信用卡详细信息，电子邮件帐户详细信息和其他个人信息。
因此，了解一些常用于以未经授权的方式获取您的个人信息的黑客技术也很重要。
<font color="blue"><strong>1. 键盘记录</strong></font>
<font size="3"><strong>1、FAST </strong></font>
FAST算子的基本原理是：若某像素点与其周围领域内足够多的连续的像素点存在某一属性差异，并且该差异大于指定阈值，则可以断定该像素点与其邻域像素有可被识别的不同之处，可以作为一个特征点（角点）；对于灰度图像，FAST算子考察的属性是像素与其邻域的灰度差异。
这个检查过程可以用下图更清楚的描述：对于图像上所有像素点，考察其7*7邻域内以该点为圆心，半径是3的圆周上的共计16个像素点和中心点的差异。如果有连续的12（或9）个像素点与中心点的灰度差的绝对值大于或低于某一给定阈值，则该点被检测为FAST特征点。
虽然人工智能的很多研究和应用会基于一些通用技术，比如说机器学习，但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域（domain），接下来的这部分将介绍人工智能研究和应用的不同类型，以及影响和挑战，主要有八个方面：交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。
基于这些分析，我们还预测了一个有代表性的北美城市在未来 15 年的趋势。与人工智能的流行文化中的典型叙述不同，我们寻求提供一个平衡的观点来分析，人工智能是如何开始影响我们日常生活的，以及从现在到 2030 年，这些影响将如何发展。
1. 交通
<font size="3"><strong>1、Adaboost算法原理，优缺点：</strong></font>
理论上任何学习器都可以用于Adaboost.但一般来说，使用最广泛的Adaboost弱学习器是决策树和神经网络。对于决策树，Adaboost分类用了CART分类树，而Adaboost回归用了CART回归树。
Adaboost算法可以简述为三个步骤：
（1）首先，是初始化训练数据的权值分布D1。假设有N个训练样本数据，则每一个训练样本最开始时，都被赋予相同的权值：w1=1/N。
德国马克斯·普朗克光学研究所所长弗洛里安·马夸特（Florian Marquardt）及其团队在物理期刊physical review X上发表论文《增强学习神经网络在量子反馈中的应用》，提出了一种基于人工智能算法的量子误差校正系统。
2018年以来，国内掀起了IPv6网络改造的热潮，从运营商到互联网，从企业到个人，都要将IPv6的网络改造付诸于行动，不少企业都立了军令状，必须要在2018年完成IPv6网络初步改造，让IPv6跑起来。不过，IPv6的口号喊了这么多年，一直没有什么声响，大家都没有改造的意愿，因为从眼前看IPv6就是一个费钱费力又得不到更多好处的事情，IPv4地址是不够用，但也有一些延缓的变通技术。5G、物联网兴起来后，对IPv6的需求迫切了，IPv4再怎么节省也无法满足物联网的未来部署，这推动着所有的网络运营商必须要进行IPv6改造。改造意愿是一方面，技术部署也存在不少阻力，IPv4网络运行多年，各种网络联接和应用盘根错节，极其复杂，这时再将IPv6纳入进来，网络就更复杂了，部署IPv6面临着很多现实问题。
在前面的小节中，我们仅仅泛泛而谈了机器学习、深度学习等概念，在这一小节，我们将给出它的更加准确的形式化描述。
我们经常听到人工智能如何如何？深度学习怎样怎样？那么它们之间有什么关系呢？在本小节，我们首先从宏观上谈谈人工智能的“江湖定位”和深度学习的归属。然后再在微观上聊聊机器学习的数学本质是什么？以及我们为什么要用神经网络？
<font size="3"><strong>2.1 人工智能的“江湖定位”</strong></font>
宏观上来看， 人类科学和技术的发展，大致都遵循着这样的规律：现象观察、理论提取和人工模拟（或重现）。 人类“观察大脑”的历史由来已久，但由于对大脑缺乏“深入认识”，常常“绞尽脑汁”，也难以“重现大脑”。
当在做数据挖掘和数据分析时，数据是所有问题的基础，并且会影响整个工程的流程。相比一些复杂的算法，如何灵活的处理好数据经常会取到意想不到的效益。而处理数据不可或缺的需要使用到特征工程。简单的说，特征工程是能够将数据像艺术一样展现的技术。为什么这么说呢？因为好的特征工程很好的混合了专业领域知识、直觉和基本的数学能力。但是最有效的数据呈现其实并不涉及任何的数据运算。
