demi的博客

机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？一起来看看吧。

当今的网络安全威胁极其智能和复杂。安全专家每天都要面对和评估新的风险，确定可能的缓解措施以及决定如何处理剩余风险。

大家在使用Unity时，是否遇到过效率不高，反复作业的情况呢？其实Unity引擎中有一系列的小技巧可以帮助你加速Unity开发。

随着深度学习的快速发展，人们创建了一整套神经网络结构来解决各种各样的任务和问题。尽管有无数的神经网络结构，这里有十一种对于任何深度学习工程师来说都应该理解的结构，可以分为四大类: 标准网络、循环网络、卷积网络和自动编码器。

在人工智能领域中，深度学习掀起了最近一次大的浪潮，也是目前最受关注、获得投资最多的一类。但要知道，深度学习并非机器学习唯一的方法，更非AI唯一的方法（人工智能>机器学习>深度学习）。

在公共安全、应急响应、工业自动化、自动驾驶汽车和医疗物联网(IoMT)领域，IoT部署已从基于智能家居设备和可穿戴设备等基于消费级应用扩展到关键任务应用。物联网的“ 5C”是物联网设计面临的五个主要挑战，即连通性、连续性、合规性、共存性和网络安全性。

近几年，机器学习异常火爆，可以用来解决各种各样的问题，但却很少有人意识到机器学习本身也容易受到攻击，终于Ian Goodfellow和Papernot首次将机器学习的攻击提出，并且做了很多非常重要的研究，这里给出这二位大牛的博客的翻译，有兴趣的朋友可以关注一下，觉得还是很有意思的研究。本文也是安全方面的学习，有兴趣的希望可以一起讨论学习~~

传统的渲染方式下所做的光照计算流程称为前向渲染。这是一种十分直接的方式，在顶点着色器中对所有待渲染对象的顶点进行一系列的变换，这些变换通常是将顶点的法线和位置变换到裁剪空间。

智能家居集成越来越受欢迎，尤其是在现代，越来越多的人被Covid-19限制在家里。据Statista统计，目前澳大利亚有110万户家庭安装了智能安全系统，预计到2023年这一数字将翻一番，在新西兰还有20万户。智能安全系统包括网络摄像头、视频门铃和其他安全和访问控制设备，旨在防止家庭入侵和盗窃。

许多自监督方法使用[pretext tasks]来生成代理标签，并将无监督学习问题转化为有监督学习的问题。一些例子包括旋转预测，图像着色，拼图等。然而，这样的pretext任务是依赖于领域的，需要专业知识来设计它们。