Dynamic Programming, Monte Carlo, Temporal Difference是强化学习过程中最基础的三种算法，本文主要总结一下这三种方法的区别与联系；强化学习模型本质上是一个随机过程，可以用概率图模型来描述，就像 HMM 可以使用有向图来描述，马尔可夫网可以使用无向图来描述，强化学习对应的图模型是Finite Markov Decision Process（MDP）
K近邻法(k-nearst neighbors,KNN)是一种很基本的机器学习方法。它的基本思想是： 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。
pooling是在卷积网络（CNN）中一般在卷积层（conv）之后使用的特征提取层，使用pooling技术将卷积层后得到的小邻域内的特征点整合得到新的特征。一方面防止无用参数增加时间复杂度，一方面增加了特征的整合度。
在unity中，渲染路径决定了光照是如何应用到unity shader中的，如果要和光源打交道，我们需要为每个Pass指定它使用的渲染路径，只有为shader正确地选择和设置了需要的渲染路径，该shader的光照计算才能被正确的执行。
有时，当我们无法应对不同的设备，它们做了一些“错误的”或不是我们所期望的事情时，我们往往会责骂它们，称它们愚蠢。如果人工智能获得了对人类的无条件优势，那么这个与我们面临的各种问题有关的话题就不能不抓住每个拥有它的人的想象力。然而，今天，有一个更严重的风险问题，与我们高估所谓的智能技术的能力，有时过于信任智能技术的决策能力有关。
① 获取更多的数据。最直观有效的方法，有了足够的数据网络也不太容易过拟合。② 数据增强。复制现有数据并加随机噪声，重采样等，在图像领域我们可以进行不同角度旋转，平移变换，随机裁剪，中心裁剪，模糊等。
表面着色器实际上就是在顶点片元着色器上添加了一层抽象，顶点片元着色器是硬件能理解的渲染方式，而开发者应该使用一种更容易理解的方式。
如果你在谷歌上搜索“人工智能”这个词，然后不知怎的就打开了这篇文章，或者用优步(Uber)打车上班，那么你就利用了人工智能。人工智能是指机器通过专门设计的算法来理解、分析和学习数据，从而充当人类思维蓝图的现象。人工智能机器能够记住人类的行为模式并根据他们的喜好进行调整。在我们的讨论过程中，您将遇到与AI密切相关的主要概念是机器学习、深度学习和自然语言处理（NLP）。
在图像处理中，经常会碰到掩膜(Mask)这个词。那么这个词到底是什么意思呢？下面来简单解释一下。
简单来说，CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。在这个过程里，最重要的步骤在于特征提取，即如何提取到能最大程度区分事物的特征。如果提取的特征无法将不同的事物进行划分，那么该特征提取步骤将毫无意义。而实现这个伟大的模型的，是对CNN进行迭代训练。