demi的博客

机器学习是一种伟大的工具，正在改变着我们的世界。 在许多伟大的应用中，机器（尤其是深度学习）已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net，我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过，我看到机器学习方法每天都在失败。 在许多这样的情况下，人们迷上了机器学习的七大罪过之一。

在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。

尽管先进的传感器技术将在赋予智慧城市能力方面发挥关键作用，但智慧城市还需要依赖传感器以外的更多技术。这些数据驱动型技术共同发挥作用，以优化资源利用，为公民提供便利，并为政府提供更大的可见性和控制力。

人工智能，机器学习，神经网络或其他任何花哨的术语行业都应运而生，它被定义为复杂的计算机技术，被广泛用于理解和改善业务和客户体验。 我想您以前已经听说过它，但是今天定义它的方式是计算机科学领域，它强调创建像人一样工作和反应的智能机器。

LoRaWAN规范是一个开放的标准，它对任何人免费开放，并且没有许可费或与使用相关的其他费用。在设备端和云端，都有LoRaWAN堆栈的开源实现。从这个意义上说，LoRaWAN是免费使用的。此外，由于LoRa通常在免许可的千兆赫兹无线频段内运行，因此这使得任何人都可以自由地建立基本的LoRaWAN网络。

Unity的开发模式核心：节点和组件，组件可以加载到任何节点上，每个组件都有 gameobject 属性，可以通过这个属性获取到该节点，即游戏物体。也就是说游戏物体由节点和组件构成，每个组件表示物体的一种特性（能力）。

在这篇博文中，重点介绍了汽车技术如何使交通更安全、更智能、更有趣。

计算机视觉的基本任务包括图像识别，物体检测，图像分割等。图像识别主要是对给定图像进行分类；物体检测需要将利用矩形框将图像中的物体标识出来；图像分割需要将图像中不同的像素点进行分类，与物体检测相比，图像分割更加细致，难度更大，FCN是利用机器学习的方法进行图像分割，但是图像分割还有其他不同的方法，这也是我在这篇博客里头要提到的。

TensorFlow是Google基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Caffe是一个清晰而高效的深度学习框架，作者是毕业于UC Berkeley的贾扬清。Torch已有十多年，是一个广泛支持机器学习算法的科学计算框架，具有简单和快速的脚本语言LuaJIT和底层C/CUDA实现, Facebook开源了Torch深度学习库包...

其实在自监督学习的概念提出之前，NLP中就已经运用到了这一思想。