demi的博客

本文我们来讨论特征预处理的相关问题。主要包括特征的归一化和标准化，异常特征样本清洗与样本数据不平衡问题的处理。由于标准化和归一化这两个词经常混用，所以本文不再区别标准化和归一化，而通过具体的标准化和归一化方法来区别具体的预处理操作。

自1888年奔驰生产出世界上第一辆可供出售的汽车以来，汽车的速度、安全性和整体质量都有了显著提高。但是它在功能和设计方面没有太大的变化……直到现在。

人工神经网络，简称神经网络，是一种模仿生物神经网络的结构和功能的数学模型或者计算模型。其实是一种与贝叶斯网络很像的一种算法。之前看过一些内容始终云里雾里，这次决定写一篇博客。弄懂这个基本原理，毕竟现在深度学习太火了。

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。