demi的博客

机器学习和互联网意味着海量数据和复杂的联系，同时也意味着人类无法理解的运行过程——人工智能的“黑箱”是近期学界热议的一个话题，当我们无法理解算法和它生产出的内容，它会怎样改变人类的思想和整个世界的运行？与此同时，完全无法理解这些数据意味着什么的人工智能，真的是在分析世界吗？

前不久，Cybersecurity Ventures的主编Steve Morgan在发表了一篇文章，里面推荐了十本关于网络安全的好书。

几年前，在学术机构之外很难找到人认真讨论人工智能(AI)。但在今天，几乎每个人都在说AI。和所有新技术趋势一样，这波新浪潮正源源不断地带来好奇心和热情。普罗大众的参与，虽然创造了不少伟大的想法，但在许多情况下也导致了错误看法的出现。

近期，著名研究机构未来今日研究所（Future Today Institute）发布了《2019技术趋势报告》。该报告涉及人工智能、网络安全、隐私与数据、交通、先进机器人、电子竞技、营销与广告、能源、气候与地理科学、农业技术，以及生物技术与基因编辑等数十个行业和前沿技术领域，并提出了值得关注的315个趋势。

根据工业和信息化部、公安部、交通运输部等三部委共同发布的《智能网联汽车道路测试管理规范（试行）》，自动驾驶汽车是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与人、车、路、云端等智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现安全、高效、舒适、节能行驶，并最终可实现替代人来操作的新一代汽车。

接触机器学习的时间还比较短，对于训练的结果往往无法解释，不知道为什么好，也不知道为什么不好。所以罗列了一下卷积神经网络中设置的参数，希望能有所帮助。

在unity中主要有两种透明效果的实现，透明度测试和透明度混合，透明度测试比较简单暴力，就是对片元的alpha通道的值进行测试，满足条件就留下该片元，不满足就抛弃该片元，所以在本章中主要讨论第二种---透明度混合。

当机器学习技术用于“关键任务”时，可接受的误差范围变得非常低。在我们用模型进行自动驾驶、协助医生等场景时，我们必须确保模型所做的预测是有效的.随着模糊系统成为我们生活中越来越重要的一部分，测量预测不确定性变得越来越重要。不过好消息是：有几种技术可以测量神经网络中的不确定性，其中一些非常容易实现！

本文介绍了机器学习中的基本数学符号。具体来说有算数符号，包括各种乘法、指数、平方根以及对数；数列和集合符号，包括索引、累加以及集合关系。此外，本文还给出了 5 个当你在理解数学符号遇到困难时可以应急的小技巧。

由于图像数据之间存在着一定的冗余，所以使得数据的压缩成为可能。信息论的创始人Shannon提出把数据看作是信息和冗余度（redundancy）的组合。所谓冗余度，是由于一副图像的各像素之间存在着很大的相关性，可利用一些编码的方法删去它们，从而达到减少冗余压缩数据的目的。为了去掉数据中的冗余，常常要考虑信号源的统计特性，或建立信号源的统计模型。

图像的冗余包括以下几种：

（1）空间冗余：像素点之间的相关性。
（2）时间冗余：活动图像的两个连续帧之间的冗余。
（3）信息熵冗余：单位信息量大于其熵。
（4）结构冗余：图像的区域上存在非常强的纹理结构。
（5）知识冗余：有固定的结构，如人的头像。
（6）视觉冗余：某些图像的失真是人眼不易觉察的。

压缩原理

对数字图像进行压缩通常利用两个基本原理：

(1) 数字图像的相关性。

在图像的同一行相邻像素之间、活动图像的相邻帧的对应像素之间往往存在很强的相关性，去除或减少这些相关性，也就去除或减少图像信息中的冗余度，即实现了对数字图像的压缩。

(2) 人的视觉心理特征。