《数学之美》读后感:看数学之美,悟技术之道

一、关于此书      记得几年前看完了《浪潮之巅》之后,便知道了吴军老师还有另外一本非常出名的著作《数学之美》,但是一直没有列入计划阅读。直到2016年我看完了《硅谷之谜》以及《智能时代》之后,便自己上网买了一本第二版的《数学之美》。正如李开复博士所说:“在我认识的顶尖研究员和工程师里,吴军博士是极少数具有强大叙事能力和对科技、信息领域的发展变化有很深的纵向洞察力,并能进行有效归纳总结的人之一。
阅读本文

First Blog

我叫子兴,是化工专业的学生,但我已对本专业失去兴趣。进入大学以后,不断接触到互联网和创业方面的内容,产生了极大的兴趣。我的思维相对较好,想法很多,对互联网和人工智能也一样,但因为完全不懂相关专业知识,无法验证,所以在大三终于决定学习相关专业知识,在满足自己兴趣的同时,给自己的未来多留一条出路。       我编程的最低目标,是能理解我感兴趣的程序的运作原理(其实我也不知道这个目标是高
阅读本文

Android手机USB调试安全闲扯(315晚会免费充电桩事件)

前言      今年的又准时乖巧的观看了315晚会,与大家一同学习了各种发财致富的方式...咳.咳..学习防范违法行骗的各种手段。比较感兴趣的两个,一人脸识别,二公共充电桩安全隐患。第一个今天不扯,第二个问题虽是炒冷饭,但咱也炒炒冷饭,就说说这,搞安卓开发哥们如果你给他USB调试权限,分分钟玩到小白你怀疑人生,特别是那些搞手机助手的同学,当然最牛还属搞安全的兄弟。此篇非高深、非深奥,简单讲讲怎么被
阅读本文

Deep Learning(深度学习)学习笔记整理系列之(一)

Deep Learning(深度学习)学习笔记整理系列http://blog.csdn.net/zouxy09version 1.0  2013-04-08 声明:1)该Deep Learning的学习系列是整理自网上很大牛和机器学习3)本人才疏学浅,整理总结的时候难免出错,还望各位前辈不吝指正,谢谢。 目录: 一、概述       Artificial Intelligence,也就是人工智能,
阅读本文

白话机器学习

从去年开始,陆陆续续学习了大半年的机器学习,现在是时候做个总结了。在以往的编程经验里面,我们需要对于输入有一个精确的,可控制的,可以说明的输出。例如,将1 + 1作为输入,其结果就是一个精确的输出 2 。并且不论怎么调整参数,都希望结果是2,并且能够很清楚的说明,为什么结果是2,不是3。这样的理念在传统的IT界,非常重要,所有的东西就像时钟一般精确,一切都是黑白分明的。由于这种严格的输入输出,衍生
阅读本文

Win10 64位连接LJM1005打印机局域网访问

除了网上常见的开Guest用户之类需要额外三个设置(1)安装LJM1005驱动LJM1005_Full_Solution(2)设置打印机共享和安全中的everyone全部勾选(解决能看到打印机无法连接情况)(3)LJM1005_Full_Solution解压到一个目录,打开打印机属性-》常规-》共享-》其他驱动程序-》X64安装驱动。
阅读本文

2017年商业智能的6大趋势

http://www.powerbi.com.cn/page103?article_id=264  重要的是要分离这两个概念。每个业务都有数据。大多数问题是数据太多,而并不是缺少数据的问题。  知识才是困难的部分。人们获取这些数据,并把它变成有意义的东西。而将大量的数据转化为面向行动的洞察力,这才是困难的部分。  如何将数据转化为知识?这就需要商业智能(BI)发挥作用。商业智能(BI)是将不可用数
阅读本文

游戏中的人工智能(AI)和行为树科普

什么是角色游戏中的AI?   玩游戏的人都知道,有些游戏中的AI实在是弱智的要死。即使是在WOW这样顶级的游戏中,AI也是有限得掉渣,绝大部分NPC都像一个木桩一样,哪怕是精心设计的BOSS也就只有一些战斗AI。尽管有很多人把动画,或者自动寻路之类的功能也叫做AI,但是我们并不讨论这种基本功能。我们讨论的AI是指,可以使得NPC好像一个真人一样活动的AI。拥有这样AI的NPC看起来就不再是那个只
阅读本文

spark 2.1.0安装指南完整版

首先第一步是安装JDK,我们最好下载JDK8版本。由于Oracle上下载JDK需要同意协议条款,需要在浏览器上下载才行。而我们云服务器,通常都没有图形界面,我们可以在本机上下载下来,传到服务器上去,但是这个太麻烦了。在这里给大家介绍一个变通的方法。在Windows机器上,进入JDK下载界面,http://www.oracle.com/technetwork/java/javase/download
阅读本文

SVM实现及Libsvm工具箱的安装测试(基于Matlab R204a环境)

一.  关于SVMSVM(Support Vector Machine,支持向量机)是一种有监督的机器学习方法,可以学习不同类别的已知样本的特点,进而对未知的样本进行预测。 SVM本质上是一个二分类的算法,对于n维空间的输入样本,它寻找一个最优的分类超平面,使得两类样本在这个超平面下可以获得最好的分类效果。这个最优可以用两类样本中与这个超平面距离最近的点的距离来衡量,称为边缘距离,边缘距离越大
阅读本文

栅栏染色

题目描述有误 是至多两个相邻一样 此题用动态规划做 因为第j个柱子分为两种情况: 和j-1一样和j-1不一样 和j-1一样 则为 f[j-2]*(k-1); 和j-1不一样则为 f[j-1]*(k-1) 第一次忘记考虑 特殊情况 柱子很多 只给一种颜色的无解情况class Solution: # @param {int} n non-negative integer, n post
阅读本文

房屋染色

class Solution: # @param {int[][]} costs n x 3 cost matrix # @return {int} an integer, the minimum cost to paint all houses def minCost(self, costs): # Write your code here
阅读本文

人人都可以做深度学习应用:入门篇(上)

一、人工智能和新科技革命2017年围棋界发生了一件比较重要事,Master(Alphago)以60连胜横扫天下,击败各路世界冠军,人工智能以气势如虹的姿态出现在我们人类的面前。围棋曾经一度被称为“人类智慧的堡垒”,如今,这座堡垒也随之成为过去。从2016年三月份AlphaGo击败李世石开始,AI全面进入我们大众的视野,对于它的讨论变得更为火热起来,整个业界普遍认为,它很可能带来下一次科技革命,并且
阅读本文

【大数据学习】数据化运营并不难?关键是这些技术你get了么?!

免费开通大数据服务:https://www.aliyun.com/product/odps1月15日在北京举行了首次阿里云大数据合作伙伴深度培训,我司获邀参加,我和两名研发的同学又一次来到了阿里巴巴望京园区。> 培训的第一部分内容、数加的介绍及应用除了介绍性内容之外,还是有「干货」的,这个干货就是MaxCompute 的实践。MaxCompute原来叫做ODPS,www.aliyun.com/p
阅读本文

【转载】人工智能、机器学习和数据挖掘三者之间的关系

人工智能:        人工智能(ArtificialIntelligence),英文缩写为AI。它是关于知识的科学(知识的表示、知识的获取以及知识的应用)。        人工智能(学科)是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能,并开发相关理论和技术。        人工职能(能力)是智能机器所执行的通常与人类智能有关的
阅读本文

Serverless理念的弄潮儿—— 阿里云数加平台助力大数据普惠

免费开通大数据服务:https://www.aliyun.com/product/odps以下内容根据分享视频和PPT整理。数加平台简介 数加是阿里云大数据的品牌名,旗下包含一系列的大数据产品及服务,其目的是为大众提供一站式数据开发、分析、应用平台。开发者使用数加平台可以快速构建数据支撑的应用。数加平台的产品具体分为两大部分:基础平台和数据应用。前者包括大数据产品主要有数据开发、机器学习、大数据计
阅读本文

蚁群算法理论

1.关于旅行商(TSP)问题及衍化   旅行商问题(Traveling Saleman Problem,TSP)是车辆路径调度问题(VRP)的特例,由于数学家已证明TSP问题是NP难题,因此,VRP也属于NP难题。旅行商问题(TSP)又译为旅行推销员问题、货郎担问题,简称为TSP问题,是最基本的路线问题,该问题是在寻求单一旅行者由起点出发,通过所有给定的需求点之后,最后再回到原点的最小路径
阅读本文

SVM-支持向量机原理详解与实践之一

SVM-支持向量机原理详解与实践 前言 实践部分的目标则是通过对实践时碰到的问题,调参的过程的讲解可以对前半部分讲解的SVM原理部分的内容有一个更深入的了解。 SVM、机器学习与深度学习 人工智能领域 在大数据,人工智能的时代,深度学习可以说火得一塌糊涂。美国硅谷的大公司都在布局着这个领域,而中国国内,腾讯,百度,阿里巴巴等等知名企业也都在这个领域争先发力,2017年初,百度迎来陆奇-
阅读本文

关联规则挖掘

1.Apriori关联规则挖掘  ----->Apriori算法希望的是完全的标称型数据,如果有数值型属性,必须先进行离散化。接下来我们导入数据集,切换至Associate面板,启动Apriori运行 ----->Apriori算法输出的10条规则,按照每一条规则后括号内的置信度量进行排序。规则按照“前件 num.1--->结论 num.2“的形式表示,前件后面的数字表示有多少个实例满足前件,
阅读本文