demi的博客

本文为了让初学者更加简单、直观地理解神经网络在训练中的技巧，以及明白为什么这样做能有效地提高训练效率，将神经网络中的本质过程一一阐述，弄清楚这些原理对初学者大有裨益。

一位老外找了8位AI大神推荐了13篇必读文章，可以收藏一下。

在本文中，我们将定义M2M和IoT，并探讨二者之间的主要区别。了解了二者之间的区别之后，将可以确定哪一个可以更好地为你的业务应用提供服务。

在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型......

物联网（IoT）在市场中发展迅速，并且业务战略也在不断变化，而针对IoT设备的网络威胁也在不断增加。因此，优化和支持物联网安全性以提高社会的适应能力至关重要。

深度信念网络（Deep Belief Nets），是一种概率生成模型，能够建立输入数据和输出类别的联合概率分布。深度信念网络通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。

线性回归可以说是机器学习中最基本的问题类型了，这里就对线性回归的原理和算法做一个小结。

bump maps的一种，实现物体立体感，减少光照计算的方案。Normal Mapping 法线映射多用在CG动画的渲染以及游戏画面的制作上，将具有高细节的模型通过映射烘焙出法线贴图（Normal Map），贴在低端模型的法线贴图通道上，使之拥有更高细节的渲染效果。

由连接设备组成的庞大的网络，在过去的20年里在全球范围内不断发展，被称为物联网。如今，我们周围有许多对象可以收集，发送和处理数据到其他服务器和其他应用程序。物联网协议就是这样一种系统，它将在线传输数据。但只有当两个连接设备之间的通信网络安全时，它才会传输数据。是什么使这种远程安全连接成为可能？

遗传算法是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。它把自然界中的“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，是适应值好的个体被保留，适应度差的个体倍淘汰，新的种群集成上一代的信息，有优于上一代。