聚类属于无监督学习，事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类是不需要对数据进行训练和学习的。主要的聚类算法有K-Means和DBSCAN。

K-Means算法的基本原理比较简单：
1.指定K值（数据要分成的簇的数目），并指定初始的k个质心；
2.遍历每个数据点，计算其到各个质心的距离，将其归类到距离最近的质心点；
3分类完毕后，求各个簇的质心，得到新的质心点；
4.重复2和3中的操作，计算新的质心与旧的质心之间距离，如果小于设定的误差值，则停止计算，否则继续进行迭代。

K-Means算法的效果由SSE（sum of square error误差平方和）来衡量，聚类的效果受K值和初始质心影响很大，有可能会在局部形成聚类点。有一种改进方法是二分K-Means算法，每次选择SSE值最大的簇进行二分类，直到分成K个聚类。

K-Means算法还有一个很明显的缺点是对于某些分布的点是不能进行分类的，比如如图中的点：

object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

object detection技术的演进：
RCNN->SppNET->Fast-RCNN->Faster-RCNN

从图像识别的任务说起
这里有一个图像任务：
既要把图中的物体识别出来，又要用方框框出它的位置。

近日，SAP针对网络经济未来发展趋势公布的研究报告《未来网络经济的99个趋势》显示，大数据、智能助手、共享经济等将成为未来网络经济的热门关键词。

1、到2020年，平均每个人都会与机器人有更多的对话。

值得注意的是，就在今年CES世界消费电子展上，多家科技公司推出了服务型机器人，其中一款Aeolus公司的家用服务机器人也是出尽风头，它不仅能够做为一个家庭保姆，干擦地板擦家具的脏活累活，还能够根据你的需求在冰箱为你取回需要的饮品等。未来一天，或许你日常交流的“家庭成员”之一就是一位机器人。

2、虽然51%的工作活动可以自动化，但是完全由机器替代的工作不到5%。

一直以来，从包括麦肯锡等专业机构的预期来看，AI确实会取代一些人类工作。但是同时，美国《新闻周刊》指出，很多人质疑AI会取代人类就业之际，数据公司的兴起表明，人工智能实际上能创造就业，这是我们不曾预想到的。此前的埃森哲报告也指出，越来越多角色将需要我们与AI有效地展开合作，而不是被AI取代。

3、71%的B2B客户在购买后被忽视，只有1%的B2B营销人员在售后管理客户关系。

​机器学习和人工智能正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升，可以预见人工智能的普及是不可避免的。

机器学习（ML）和人工智能（AI）正在从概念验证程序转变为功能性企业基础架构。随着对这些技术的资金支持不断攀升，可以预见人工智能的普及是不可避免的。

但是数字智能的应用带来了新的风险：IT专家面对这急剧的变化，有些无所适从，而网络犯罪分子正在想方设法入侵新工具。

为什么AI无法取代人类专业技能？

现在的安全团队工作过度而且人员不足，但还是有人担心AI工具会最终取代人类专业技能。

为了回应这些担忧，Phys.org网站在2018年6月指出，现在关于人工智能和自动化的讨论被两种思想主导，一种是灾难预言者，他们害怕机器人会取代人类的工作，另一种是乐天派，他们对新技术不以为然，认为世界上没有什么新东西。

然而，研究表明，这些技术只适合取代某些特定的工作任务，而不是彻底消除某些职业。The Verge在2018年6月报道，美国军队的一项实验计划将利用机器学习来更好的预测车辆何时需要维修，这不仅降低了成本，也减轻了技术人员的压力。

传统的肉眼识别方法是很难直接识别出 NIs (自然图像) 和 CG (计算机生成的图像)。本文中提出了一种高效的、基于卷积神经网络 (CNN) 的图像识别方法。通过大量的实验来评估模型的性能。实验结果表明，该方法优于现有的其他识别方法，与传统方法中采用 CNN 模型来识别图像，此方法还能借助高级可视化工具。

在机器学习中，有一种叫做「没有免费的午餐」的定理。简而言之，它指出没有任何一种算法对所有问题都有效，在监督学习(即预测建模)中尤其如此。

例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，例如数据集的大小和结构。

因此，你应该针对具体问题尝试多种不同算法，并留出一个数据「测试集」来评估性能、选出优胜者。

当然，你尝试的算法必须适合你的问题，也就是选择正确的机器学习任务。打个比方，如果你需要打扫房子，你可能会用吸尘器、扫帚或拖把，但是你不会拿出铲子开始挖土。

大原则

不过也有一个普遍原则，即所有监督机器学习算法预测建模的基础。

机器学习算法被描述为学习一个目标函数 f，该函数将输入变量 X 最好地映射到输出变量 Y：Y = f(X)

这是一个普遍的学习任务，我们可以根据输入变量 X 的新样本对 Y 进行预测。我们不知道函数 f 的样子或形式。如果我们知道的话，我们将会直接使用它，不需要用机器学习算法从数据中学习。

最常见的机器学习算法是学习映射 Y = f(X) 来预测新 X 的 Y。这叫做预测建模或预测分析，我们的目标是尽可能作出最准确的预测。

1. 自然语言生成(Natural Language Generation)

自然语言生成是人工智能的分支，研究如何将数据转化为文本，用于客户服务、报告生成以及市场概述。

2. 语音识别(Speech Recognition)

Siri就是一个典型的例子。
目前，通过语音应答交互系统和移动应用程序对人类语言进行转录的系统已多达数十万。

3. 虚拟助理(Virtual Agents)

虚拟助理是一种能与人类进行交互的计算机代理或程序，其中以聊天机器人最为著名。虚拟助理多用于客户服务和支持，并可以作为智能家居的管理者。

4. 机器学习平台(Machine Learning Platforms)

机器学习是计算机科学和人工智能技术的分支，它能提升计算机的学习能力。

在这篇文章开始之前，我们先提出一个问题：如果未来你以为的无人驾驶，在某个浑然不觉的时间段里实际上是有人驾驶，你会不会觉得毛骨悚然？

这并不是危言耸听。汽车从原始的纯机械工业产品变得越来越电子化、网络化，正如手机从原始的大哥大功能机接入网络、App，迈入智能机时代。手机包括一切网络接入设备所面临的安全问题，也将毫无疑问地出现在汽车身上。

如你所想，我们在这里要说的安全，是系统安全。

但与手机、电脑不同的是，无人驾驶汽车的系统一旦被黑客入侵甚至控制起来，涉及的就不仅仅是勒索钱财的问题，极有可能是要了人命。

或许，当我们一边要力争无人驾驶汽车在2020年能上路，另一边却到目前为止仍然把上路的安全问题集中在各种传感器、激光雷达、芯片或者算法的技术层面，系统安全的问题似乎就相对显得迫在眉睫了。

与传统汽车相比，无人驾驶危险在哪儿？

传统汽车的安全事故，最多也就是老司机一不留神翻个车；要全神贯注地开车，基本上没啥出问题的可能。但无人驾驶汽车要想翻车，老司机都没办法。毕竟在无人驾驶阶段，老司机都变成了乘客，你总不能指望着乘客上车之前还要学学代码什么的吧？

深度学习说到底就是要调节网络中得权重，使网络的分类结果更接近于训练值。这个重复迭代的过程又是一个线性回归的问题。在这种可能会用到高数，线性代数，概率论中的知识。

一、数学基础提一提

1. 高数中得知识。

高数中最重要的就是微积分了，那在深度学习中出现最多的一个概念就是梯度。什么是梯度呢?要说导数，学过高数的肯定都知道。其实梯度就是当把标量x变成向量X时，对X求导就是梯度。那为什么要用梯度呢？因为梯度等于0在凸函数中往往代表着一个极小值点。我们要求得就是损失函数的极小值，这正是我们需要的。梯度是指向函数最大增加的方向，下面来解释为什么。

本文主要介绍五种最常见和最常用的图像格式：BMP，PNG，JPEG，JPEG200，以及GIF。在进行图像处理相关应用之前第一步首先是能够读取这些图像文件，虽然很多开发工具支持库比如OpenCV等已经帮助节省了这些工作的麻烦，便利的同时也使得开发人员不再熟悉这些基本的图像格式。本文的作用就在于将这五种常用的图像格式进行分条叙述，方便查阅。

BMP图像文件格式：无压缩

BMP是一种与硬件设备无关的图像文件格式，使用非常广。它采用位映射存储格式，除了图像深度可选以外，不采用其他任何压缩，因此，BMP文件所占用的空间很大。BMP文件的图像深度可选lbit、4bit、8bit及24bit。BMP文件存储数据时，图像的扫描方式是按从左到右、从下到上的顺序。