demi的博客

人类眼球的感光细胞中，在正常的光照环境下（非绝对黑暗和绝对明亮中），对较暗色调之间的差异，比对较亮色调的差异的反应更强烈。这个跟照相机的实际上的光照强度值是不一样的，所以，人类眼球对光强度的反应是非线性的。

随着5G的发展和物联网的强大，世界上的一切都将变得紧密互联。多亏了5G，在不远的将来，所有人都可以使用高速网络……除了网络没有覆盖到的地方。

机器学习是当今技术最重要的基本趋势之一，也是未来十年科技将在更广阔的世界中改变事物的主要方式之一。作为其中的一部分，机器学习的各个方面引起关注 - 例如，它对就业的潜在影响，以及它用于我们可能认为不道德的目的，例如它可能给予压迫性政府的新能力。另一个，也就是这篇文章的主题，是人工智能偏差的问题。

人工智能的快速进步和发展引发了对其两用应用和安全风险的绝望猜测。从自动武器系统（AWS）到面部识别技术再到决策算法 ，人工智能的每一个新兴应用都会带来好的和坏的。正是人工智能技术的这种双重性质不仅给各国的个人和实体带来了巨大的安全风险：政府、行业、组织和学术界（NGIOA），还有人类的未来。

阴影技术中最简单的一种（其他的可以算作他的变种）是所谓的shadow mapping（适用于平行光）。它需要事先为场景中的物体，在以光源为视角的视口内，渲染一张深度图。在那个视口里，只有最靠近光源的片元才能将自己的深度写入这张深度图。

机器学习的核心在于使用学习算法建立模型，对已建立模型的质量的评价方法和指标不少，本文以准确率(也称为精度)或判定系数(Coefficient of Determination)作为性能指标对模型的偏差与方差、欠拟合与过拟合概念进行探讨。

机器学习只能记住训练数据中存在的模式。你只能认识你已经看到过的东西。利用机器学习对过去的数据进行训练，用于预测未来，这样的做法假设未来的行为将于过去类似。但是，通常并非如此。

在麻省理工学院第五届企业论坛“万物互联”的会议活动中，关于物联网发展现状的调查报告似乎带来了喜忧参半的结果。自该活动启动以来的五年中，物联网和边缘计算领域已经在某些方面得到长足的发展，而在其他领域并没有发生真正重大的变化。

在特征工程之特征选择中，我们讲到了特征选择的一些要点。本篇我们继续讨论特征工程，不过会重点关注于特征表达部分，即如果对某一个特征的具体表现形式做处理。主要包括缺失值处理，特殊的特征处理比如时间和地理位置处理，离散特征的连续化和离散化处理，连续特征的离散化处理几个方面。

OpenGL是一份API规范，并不是一个库。记住这点非常重要！它意味着每一个API背后的具体实现都依赖于你的GPU硬件、操作系统以及显卡驱动。