人工智能

此文从我的ICLR2020工作展开看脑启发AI和通用智能算法的发展路径，集合了我过去一年的演讲和思考内容。 当下的深度学习日子越来越不好过，自动驾驶，智能对话都在陷入一种人工智能不智能的怪圈， 即使最火的CV，其实也是需要大量数据填补的人工智障。 这些困难的根本，在于人工智能不具备人的智能的基础， 而只是模仿了人的思维能力的细节，也就是感知能力。我们来回顾这个人工智能进化的历史 。 首先， 人工智能经历果三个基本范式 ：符号主义， 统计学习， 连接主义。 符号主义: 模拟人的逻辑， 如何把人的逻辑和知识用符号穿起来 。符号主义的本质 = 符号的运算 统计学习： 模拟人类统计学习的过程， 如何从大量的实践总结出有效的特征， 然后根据这些特征的先后重要性排列连接成决策树 。 连接主义： 人类模拟自身大脑的结构，提炼出网络的结构。 然后我们回顾连接主义发展的历史，连接主义的发展可谓三起三落， 所谓起都是因为借鉴了对生物大脑的某个理解而进步， 而衰都是因为达不到人们的预期而衰。 1, 第一次合作： 深度学习的前身-感知机。Warren McCulloch 和 WalterPitts在1943 提出而来神经元的模型， 这个模型类似于某种二极管或逻辑门电路。 事实上， 人们很快发现感知机的学习有巨大的局限性， Minksky等一批AI早期大师发现感知机无法执行“抑或”这个非常基本的逻辑运算

本文作者：馬立 分享嘉宾：白浩杰 文章整理：马立辉 内容来源：百度云智学院 导读 上篇文章，我们重点讲解了卷积神经网络的基本概念及结构。本篇，我们将进行代码实战——完成手写数字识别任务。 本次实验代码是基于百度的深度学习框架—— 飞桨（ PaddlePaddle ）。 本篇文章主要内容包括： 1.创建实验资源 2.项目实战 3.总结 1. 创建实验资源 本次实验将在 百度云智学院实验平台 上进行，该平台已经为大家准备好实验所需环境。实验前，我们需要 创建实验资源 ，步骤如下： 《手写数字识别项目实战》地址为： http://abcxueyuan.cloud.baidu.com/newlab/#/lab_detail/lab_simple_say?id=116 打开该网址进入如下页面，点击： 开始学习 。在弹出的页面中点击 创建资源。 创建资源完成后点击 进入实验 。按以下步骤操作： 步骤一： 步骤二： 步骤三： 步骤四： 步骤五： 按照上述步骤完成实验资源的创建后，便可开始进行实验。 2. 项目实战 2.1 数据集介绍 当我们学习编程的时候，编写的第一个程序一般是打印出"Hello World"。而机器学习（或深度学习）的入门实验，一般是完成MNIST数据集上的手写数字识别任务。原因是手写数字识别属于典型的图像分类任务，比较简单。同时MNIST数据集也很经典

作者 | 写代码的明哥 来源 | Python编程时光 12 月我在朋友圈看到非常多的人开始在某东上抢茅台，抢到的话一瓶只要 1499 元，转手一卖就能净赚 1000 块钱，这简直就是白送钱的事嘛？就算不卖，自己囤着过个几年价格肯定又要上涨。像这种好事，我当然第一时间去体验了，抢了几天后，却抢了个寂寞。 好在前两天看到有大佬在 Github 上开源了一个抢茅台的脚本，目前已经 1.4k ，我前一天看的时候才 500 star，是真的火起来了，不得不感叹，这传播速度也太大了吧。 看了下代码，发现这个脚本还是用 Python 写的，我啪的一下，很快，就把运行环境给搭建起来了。 环境搭建 第一步 把项目代码下载到本地并解压。 第二步 进入到解压后的目录中，使用 venv 创建一个虚拟环境，注意一定要使用 Python 3，创建完成后进入虚拟环境 # 创建虚拟环境$ python3 -m venv .# 进入虚拟环境$ source bin/activate 第三步： 往虚拟环境中安装依赖包 如果是 mac 或者 linux 只要执行这条命令就行 $ python -m pip install -r requirements.txt 而如果你使用 windows ，在依赖中有一个 lxml 库，这个库在 windows 中你使用 pip 是安装不上的，你得从网上下载 wheel

介绍 本文将带领大家如何把人工智能技术带到体育项目中。 运动中的人工智能是一个很新的东西，以下是一些有趣的作品： 篮球 https://dev.to/stephan007/open-source-sports-video-analysis-using-maching-learning-2ag4 网球 https://www.researchgate.net/publication/329740964_Convolutional_Neural_Networks_Based_Ball_Detection_in_Tennis_Games 排球 https://www.tugraz.at/institute/icg/research/team-bischof/lrs/downloads/vb14/ 我是个排球迷，所以让我们来看看最后一个网站，这是一个奥地利研究所的网站，他分析了当地业余联赛的比赛数据。 其中有一些文档需要阅读，最主要的信息是视频数据集。 排球是一项复杂的运动，有许多不同的因素，所以我从一个很小但很重要的部分开始——球。 跟踪球是一项非常著名的任务。谷歌提供了很多链接，但其中有许多只是一个简单的演示。在摄像机前识别和跟踪一个彩色的大球是无法与真实的比赛用球检测相比较的，因为现实世界中的球很小，移动速度很快，而且融入了背景中。 最后，我们希望得到这样的结果： 在开始之前

鸿蒙2.0已经发布了有段时间了，目前网上也有些小demo了，但是缺乏稍微大点的项目代码。我准备计划开发一个稍微正式点的项目，我写了个初略的项目需求清单，来体验鸿蒙应用开发。目前我已经着手实现了其中的一些重要功能，某些功能发现鸿蒙暂时不支持，但是还是先写上吧，后面慢慢摸索。我会陆续更新连载此贴，一步步从0基础讲解项目开发过程，然后巩固鸿蒙应用开发知识点。有错误的地方，也欢迎大家留言指教。 本项目已开发一个HarmonyOS平台的在线教育app为例，采用JS开发UI页面，服务端采用Java Springboot进行开发。主要涉及到鸿蒙的技术点包括：JS UI开发（各类常用组件和布局）、服务端数据交互、本地数据存储、JS FA与Java PA交互、视频播放、权限控制、app打包与发布、HMS服务对接、华为人工智能引擎对接等内容，基本包含了HarmonyOS APP开发所需的大部分知识点。 作者：软通夏德旺 想了解更多内容，请访问： 51CTO和华为官方战略合作共建的鸿蒙技术社区 https://harmonyos.51cto.com 来源： oschina 链接： https://my.oschina.net/u/4857646/blog/4881210

摘要：随着工业互联网时代的到来，数据库这门已经具有接近五十年历史的学科又绽放出新的生命活力，其中扮演着重要角色的NoSQL数据库也出现了更多的发展趋势。 在第十一届中国数据库技术大会（DTCC2020）上 ，阿里云资深产品专家朱洁为大家介绍了NoSQL数据库业界最新趋势以及阿里云NoSQL技术的创新实践和阿里云NoSQL生态开放实践。 本文内容根据演讲录音以及PPT整理而成。 嘉宾简介： 朱洁（花名：所在），阿里云资深产品专家，目前负责阿里云的RDS和NoSQL数据库产品。 本次分享的内容主要包括以下三个方面： NoSQL数据库业界新趋势 阿里云NoSQL技术创新实践 阿里云NoSQL生态开放实践 NoSQL数据库业界新趋势 数据库发展历程 首先，简单回顾一下数据库的发展历程。其实，数据库是一个具有非常悠久历史的行业。从上世纪五十年代开始数据库技术就开始启蒙，但是一般通用说法是从上世纪70年代关系模型诞生起算，因此数据库的诞生到现在也有接近五十年的历史了，而数据库一直在技术、业务以及应用场景等方面不停地演进和发展。比如上世纪九十年代，针对个人办公、个人娱乐以及企业信息化的场景，基于X86服务器诞生了像SQL Server、PG这些非常著名的数据库。今天所要分享的NoSQL数据库则是在2000年左右随着整个互联网的发展和推动而诞生的

　　 　　 大数据文摘出品 　　 作者：刘俊寰 　　4月26号下午3点，为庆祝清华大学建校109周年，计算机系“云校庆”系列活动—— “论道AI Open” 在线上举行。 　　在新一期AI Time辩论中，中国科学院张钹院士、清华大学计算机系唐杰教授、刘知远副教授、中国科学技术大学计算机学院李向阳教授、旷视科技联合创始人唐文斌、搜狗公司CEO王小川一起论道了人机交互与智能的相关问题。 　　 　　AlphaGo到底是如何炼成的？ 　　AI能够被大众所熟知，离不开2016年3月那场与李世石的围棋大赛。 　　在活动开始，张钹院士就以AlphaGo为例，回顾了整个AlphaGo的发展历程，从1980年日本学者福岛邦彦提出卷积神经网络，到1943年美国学者提出神经网络模型，再到中国台湾的黄亚杰团队开发的围棋程序等等， 横跨了将近80年的AI历史 。 　　 　　 　　 　　当把目光从纵向的“时间”转向横向的“国家”，我们会发现，前前后后 共有10个国家 参与到AlphaGo的开发研究中，这也说明， 一个科学成就离不开全世界科技人员的共同努力 ，特别是对前人研究的利用和借鉴。 　　其次，张钹院士还提到，如今美国之所以能够在人工智能领域处于领先地位，与 美国开放的科技环境 有很深的关系，这给中国科技发展带来了很好的借鉴，也就是说，我们 必须要进一步地开放开源 ，以吸引国内外的AI研究学者。 　

一个仿人机器人的延伸手。机器人常常使用强化学习来加以训练 来源：云头条 作者：Ben Dickson是一名软件工程师，还是探讨技术在如何解决和带来问题的TechTalks博客的创始人。 2010年代对于AI界来说意义重大，这归功于深度学习领域取得了惊人的进步，AI的这个分支因收集、存储和处理大量数据的能力不断增强而变得切实可行。如今，深度学习不仅是一个科学研究课题，还是许多日常应用系统的一个关键组成部分。 但是十年来的研究和应用清楚地表明，在当前状态下，深度学习并不是克服打造智能与人类相当的AI这一艰巨挑战的最终解决方案。 我们需要怎样才能将AI推到下一个高度？需要更多的数据和更庞大的神经网络？需要新的深度学习算法？还是需要深度学习之外的方法？ 这个话题已在AI社区引起了激烈的讨论，也是上周举行的在线讨论Montreal.AI的中心话题。背景和学科迥异的科学家们参加了这场名为《AI辩论2——推动AI前进：一种跨学科的方法》的大辩论。 混合AI 认知科学家Gary Marcus共同主持了这场辩论，他重申了深度学习存在的几大缺点，包括数据需求过高、将知识迁移到其他领域的能力偏低、不透明以及缺乏推理和知识表征。 Marcus一向公开炮轰纯深度学习的方法，他在2020年初发表了一篇论文，他在论文中建议采用一种将学习算法与基于规则的软件相结合的混合方法。

文/编辑 | 言有三 今天， 有三AI知识星球开设正好一周年 ，在有了微信公众号生态后，为什么我们还要做一个知识星球呢？为什么我们说每一个核心的有三AI粉丝一定是在知识星球里呢？今天来总结一下我们 知识星球的主要内容，它和公众号的关系，以及知识星球存在的必要性。 1 知识星球是什么 知识星球是一个 私密社区 ，以前叫做 小密圈 ，产品已经存在好几年了，有iOS和Android两个平台的APP，可以使用 微信小程序 阅读和 网页版 进行阅读，创业团队在深圳，腾讯投资，下面分别是用APP，小程序，网页打开我们知识星球的预览。 目前音乐和视频的优质内容付费订阅大家已经完全接受，知识星球作为一个 图文为主的付费社区 也是不错的补充，还可以做自由交流。 有三AI知识星球便是依托于知识星球APP，2019年3月12日创建，目前由 言有三全职独立运营 。 如果说过去的一年里微信公众号是有三AI的 第一免费生态 ，那么有三AI知识星球就是我们的 第一付费生态 ，两者的共同特点是， 只专注于做系统性的原创 。下面我们来重点介绍一下知识星球社区的特点，有了微信公众号，为什么我们还一定需要知识星球？ 2 可以自由提问 公众号最缺失的内容是什么？实时的自由交流，这就是知识星球最重要的功能之一了。在星球里可以向 有三私信提问 ，也可以直接 自己发状态提问和大家交流 ，还可以向 嘉宾 提问

在常见的几个音乐网站里，酷狗可以说是最好爬取的啦，什么弯都没有，也没加密啥的，所以最适合小白入门爬虫 项目源码 import requests from selenium import webdriver from pyquery import PyQuery as pq #获取歌名 def Access_to_the_song (C) : doc=pq(C) The_song=doc( '.audioName' ).text() return The_song #进入听歌的界面爬取HTML def Browser_access (URL) : The_browser=webdriver.ChromeOptions() The_browser.set_headless() Drier=webdriver.Chrome(options=The_browser) Drier.get(URL) Print_source=Drier.page_source doc = pq(Print_source) Music_links = doc( '.music' ).items() for i in Music_links: Music_downloads = i.attr( 'src' ) with open(Access_to_the_song(Print_source) + '.mp3'