卷积神经网络（Convolution Neural Network，CNN）已经在许多计算机视觉（Computer Vision）任务上取得了成功。 对于可视化，CNN 可以怎么应用于图形感知任务？ 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题，该实验测量了不同视觉编码的人类感知效率，并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能，并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现，但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果，以促进理解 CNN 在应用于数据可视化时的成功和失败。
这篇文章为了确定CNN模型来拟合人类对图形的感知能力，文章中主要用了四种模型来进行实验：多层感知机、LeNet、VGG19、Xception。
下面是具体的模型结构：
手机常用的定位方式有：
1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。
3. WiFi辅助定位
除了基站定位之外，还有一个大家可能比较陌生的地面定位方式，就是Wi-Fi定位。
没错，Wi-Fi也可以定位哟！
也许你会认为，我所说的Wi-Fi定位，就是IP地位定位。其实并不是哦！
机器学习有望从根本上改变软件开发的本质，这也许是自FORTRAN和LISP被发明以来的第一次。 它对我们几十年来的编程范式提出了第一个真正的挑战。 这些变化对数百万正在实施软件开发的人而言，会意味着什么？ 我们是否会看到失业和裁员，或者会看到编程演变成不同的东西，也许会是一种更关注于满足用户的东西？
自20世纪70年代以来，我们已经或多或少地构建了软件。 我们有高级语言，低级语言，脚本语言以及用于构建和测试软件的工具，但这些工具需要我们做的事情没有发生太大变化。 我们的语言和工具比50年前要好得多，但它们本质上是一样的。我们仍然有着代码编辑器。这些编辑器变得更花哨了：他们有彩色的高亮，变量名补全，它们有时可以帮助我们完成重构等任务，但他们仍然是emacs和vi的后代。 面向对象代表了一种不同的编程风格，而不是某种本质上而言“全新”的东西 —— 当然，函数式编程可以一直追溯到50年代（除非我们不知道它曾经被叫作这个名字）。 我们可以做得更好吗？
数学在机器学习中非常重要，不论是在算法上理解模型代码，还是在工程上构建系统，数学都必不可少。通常离开学校后很难有机会静下心学习数学知识，因此我们最好能通过阅读小组或读书会等形式营造环境，并专注学习那些在实践中常常需要用到的数学知识。
数学达到什么水平才可以开始机器学习？人们并不清楚，尤其是那些在校期间没有研究过数学或统计学的人。
本文的写作目的是介绍构建机器学习产品或进行相关学术研究所必需的数学背景，以及数学在工程和研究中的重要性。这些建议是根据我和机器学习工程师、研究者和教育者交流而得到的，当然也有我自己在机器学习研究和业界工作中的个人经验。
为了构建必备的数学背景，我首先提出不同的思维模式和策略，帮助大家在学校之外也可以接受数学教育。然后，我会给出不同种类机器学习工作所需的数学背景，从高中水平的统计学和微积分到概率图模型（PGM）的最新进展。希望大家读完本文后，能够对自己在机器学习工作中所需要的数学教育有清楚的认知。
关于数学焦虑
很多人害怕数学，包括工程师。首先，我想解决「擅长数学」这一迷思。
一般精通数学的人有大量和数学有关的实践经验。因此，他们在研究数学时更容易保持专注。相比内在能力，学生的思维模式才是决定一个人学习数学能力的关键。
2019年将为数据中心和公共云和私有云提供什么？这是人们进行有根据的猜测。
在年底的时候，回顾和展望是不可避免的传统。在此将将重点放在数据中心和云计算，因为很多企业的开展业务正在云平台和本地部署实现之间找到平衡。
在此预测的大部分内容已经在研究或新兴趋势中被暗示过，所以不会超出更多范围。这只是根据过去的证据做出合理的假设和结论。希望这会提高准确率。以下就是对于数据中心和云计算的10个预测。
1. 边缘计算已经成熟，但是需要业务模型
这不难理解。每个人都喜欢边缘计算的想法。数据中心运营商认为这是减轻中央服务器负载的一个机会，认为这是一个提供不到10毫秒响应时间的机会。像VaporIO公司和施耐德电气公司这样的供应商正在推出不同的基站布局模型，5G也开始推出。
问题是谁为此支付费用。这还没有解决。它会落到手机供应商身上，还是属于那些想要连接汽车的汽车制造商呢?这个行业在以后梦想技术和思考商业模式方面有着悠久的历史记录，而边缘计算在寻找所有者方面是一个昂贵的想法。这需要在2019年解决。
2. 水冷技术得到发展
在三维显示，空间可视化表达和图像处理中，插值处理是比较重要的一个部分。如何能找到快速、简单、有效的插值算法是目前研究者们津津乐道的问题。
以下几种是前人收集起来的比较常用的插值算法，仅供参考：
• Inverse Distance to a Power（反距离加权插值法）
• Kriging（克里金插值法）
• Minimum Curvature（最小曲率）
• Modified Shepard's Method（改进谢别德法）
• Natural Neighbor（自然邻点插值法）
• Nearest Neighbor（最近邻点插值法）
• Polynomial Regression（多元回归法）
• Radial Basis Function（径向基函数法）
• Triangulation with Linear Interpolation（线性插值三角网法）
• Moving Average（移动平均法）
• Local Polynomial（局部多项式法）
下面简单说明不同算法的特点。
手机常用的定位方式有：
1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。
下面详细介绍：
1. 卫星定位
目前最主流的室外定位方式，就是卫星定位。
作者：魏秀参
本文将以 Alex-Net、VGG-Nets、Network-In-Network 为例，分析几类经典的卷积神经网络案例。
在此请读者注意，此处的分析比较并不是不同网络模型精度的“较量”，而是希望读者体会卷积神经网络自始至今的发展脉络和趋势。
这样会更有利于对卷积神经网络的理解，进而举一反三，提高解决真实问题的能力。
01：Alex-Net 网络模型
Alex-Net 是计算机视觉领域中首个被广泛关注并使用的卷积神经网络，特别是 Alex-Net 在 2012 年 ImageNet 竞赛 中以超越第二名 10.9个百分点的优异成绩一举夺冠，从而打响了卷积神经网络乃至深度学习在计算机视觉领域中研究热潮的“第一枪”。
Alex-Net 由加拿大多伦多大学的 Alex Krizhevsky、Ilya Sutskever(G. E. Hinton 的两位博士生)和 Geoffrey E. Hinton 提出，网络名“Alex-Net”即 取自第一作者名。
关于 Alex-Net 还有一则八卦：由于 Alex-Net 划时代的意义，并由此开启了深度学习在工业界的应用。
AIoT领域中人机交互的市场机会
自2017年开始，“AIoT”一词便开始频频刷屏，成为物联网的行业热词。“AIoT”即“AI+IoT”，指的是人工智能技术与物联网在实际应用中的落地融合。当前，已经有越来越多的人将AI与IoT结合到一起来看，AIoT作为各大传统行业智能化升级的最佳通道，已经成为物联网发展的必然趋势。
在基于IoT技术的市场里，与人发生联系的场景(如智能家居、自动驾驶、智慧医疗、智慧办公)正在变得越来越多。而只要是与人发生联系的地方，势必都会涉及人机交互的需求。人机交互是指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算换机之间的信息交互过程。人机交互的范围很广，小到电灯开关，大到飞机上的仪表板或是发电厂的控制室等等。而随着智能终端设备的爆发，用户对于人与机器间的交互方式也提出了全新要求，使得AIoT人机交互市场被逐渐激发起来。
AIoT发展路径
作为 AI 从业者，笔者经常被问及关于入行或转行 AI 的问题，其中颇有一些高频重复出现，今天总结出来几个，供大家参考。
问题1：年龄偏大了，而且之前也不是计算机相关专业的，怎么才能转行做 AI？
这个问题经常被问到。有不少朋友，工作了几年之后，想转向 AI 技术岗位。但感觉自己年纪比较大了，或者有生活压力，考全日制的研究生不太现实。
偏偏大多数公司招 AI 工程师的时候，要求应聘者有相关专业硕士学位等学术背书。作为转行者，应该怎样提高专业背景？
针对这种情况，笔者的建议是：从自己原来的专业领域入手。
比如，一位原本制造业的自动化工程师，肯定对各种工业生产设备比较熟悉，了解各种各样的电机、传感器，知道这些设备输出信号的物理含义。
那么，当工业领域运用机器学习方法时，自动化工程师在特征工程方面就具备了相当的优势，这些领域知识，不是纯粹搞机器学习的人能比的。
至少在现阶段，机器学习、深度学习的实际落地都以数据为主——能够把实际问题转化成数值拿去运算，比把运算本身（算法）做得精巧要来的重要。