深度学习

1.大数据与机器学习的关系： 大数据领域我们做的是数据的存储和简单的统计计算，机器学习在大数据的应用是为了发现数据的规律或模型，用机器学习算法对数据进行计算的到的模型，从而决定我们的预测与决定的因素（比如在大数据用户画像项目里，生成的特殊用户字段）。 2.大数据在机器学习的应用 目前市场实际开发模式中，应该在大数据哪一个阶段层次应用到机器学习的相关技术呢，我们接下来来说明，首先目前大数据的架构模式列举如下几个 2.1数据采集（ftp、socket）---数据存储（hdfs）---数据清洗（MapReduce）----数据分析（hive）---sqoop导入-----存储（mysql、oracle）---web显示 2.2数据采集（ftp、socket）---数据存储（hdfs）---数据清洗（MapReduce）---列式数据库存储（hbase）-----thrift（协处理器）---web显示 2.3数据采集（ftp、socket）---数据存储（hdfs）---数据清洗（MapReduce）----数据分析（hive）----impala（实时数据分析）---jdbc-----web显示 2.4数据采集（ftp、socket）---数据存储（hdfs）---spark计算-----存储（mysql、oracle）---web显示 整体在开发完成后用分布式任务调度系统

https://adeshpande3.github.io/adeshpande3.github.io/ https://blog.csdn.net/weiwei9363/article/details/79112872 https://blog.csdn.net/and_w/article/details/70336506 https://hackernoon.com/visualizing-parts-of-convolutional-neural-networks-using-keras-and-cats-5cc01b214e59 https://keras-cn.readthedocs.io/en/latest/other/visualization/ https://blog.keras.io/category/demo.html https://stackoverflow.com/questions/39280813/visualization-of-convolutional-layer-in-keras-model http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb https://blog.csdn.net/thystar

摘要 ：对话机器人服务（Conversational Bot Service） 是一款基于人工智能技术，针对企业应用场景开发的云服务，主要包括智能问答、智能质检、定制对话机器人和任务型对话等功能。 随着互联网和大数据的迅速发展，人工智能正逐渐渗透至各行各业。继工业上的AI工业机器人、餐饮服务行业的AI服务机器人以后，智能对话机器人在诸多行业应用广泛。 现如今，传统电销行业被越来越多的因素制约，人工复检坐席对话效率低下，且服务成本高，传统的客服机器人经常给人们留下“智障”“呆板”等印象。但2012年前后，深度学习算法的突破，为智能客服带来了技术层面质的飞跃。基于深度学习的知识图谱推理模型，系统可以跳出“匹配类”对话的限制，模仿人类大脑神经元之间的传递，进行更为精准的信息处理。 智能对话中台——对话机器人服务，针对企业应用场景开发的云服务，提供了智能问答、智能质检、定制对话机器人和任务型对话等功能，为您高效率解决难题，提供帮助！ 点击 “了解更多” ，关于HiLens Kit，你想知道的都在这里！ 点击关注，第一时间了解华为云新鲜技术~ 来源： oschina 链接： https://my.oschina.net/u/4526289/blog/4699364

https://zhuanlan.zhihu.com/p/109176305 红色石头的个人网站： 红色石头的个人博客-机器学习、深度学习之路 ​ www.redstonewill.com 2020 年 2 月 24 日下午，CVPR 2020 终于放榜了！公布了接受论文的 ID，总共有 1470 篇论文被接受。 今年总共有效的投稿数量为 6656 篇，录取率为 22% 。与前两年的数据相比较： 2018 年有效投稿数量 3300 篇，收录 979 篇，录取率为 29%；2019 年有效投稿数量 5160 篇，收录 1300，录取率为 25%。 通过对比可以看出，今年的投稿数量增加了，但是录取率却降低了，说明竞争越来越激烈了。从 2018 年到 2020 年，形成了录取率 二连降 ！ 究竟哪些论文被收录了呢？这里附上录取论文 ID 的列表地址： http:// cvpr2020.thecvf.com/sit es/default/files/2020-02/accepted_list.txt 更多信息可以登陆 CVPR 官网查阅： http:// cvpr2020.thecvf.com/ 本文首发于公众号：AI有道（ID: redstonewill），欢迎关注！ 来源： oschina 链接： https://my.oschina.net/u/4274358/blog

https://zhuanlan.zhihu.com/p/109176305 红色石头的个人网站： 红色石头的个人博客-机器学习、深度学习之路 ​ www.redstonewill.com 2020 年 2 月 24 日下午，CVPR 2020 终于放榜了！公布了接受论文的 ID，总共有 1470 篇论文被接受。 今年总共有效的投稿数量为 6656 篇，录取率为 22% 。与前两年的数据相比较： 2018 年有效投稿数量 3300 篇，收录 979 篇，录取率为 29%；2019 年有效投稿数量 5160 篇，收录 1300，录取率为 25%。 通过对比可以看出，今年的投稿数量增加了，但是录取率却降低了，说明竞争越来越激烈了。从 2018 年到 2020 年，形成了录取率 二连降 ！ 究竟哪些论文被收录了呢？这里附上录取论文 ID 的列表地址： http:// cvpr2020.thecvf.com/sit es/default/files/2020-02/accepted_list.txt 更多信息可以登陆 CVPR 官网查阅： http:// cvpr2020.thecvf.com/ 本文首发于公众号：AI有道（ID: redstonewill），欢迎关注！ 来源： oschina 链接： https://my.oschina.net/u/4267539/blog

↑↑↑点击上方 蓝字 ，回复 资料 ，10个G的惊喜 来源丨 DeepBlue深兰科技 作者丨深兰科学院李亦超 编辑丨极市平台 以2014年为分水岭，作者将过去二十年的目标检测发展进程分为两个阶段：2014年之前的传统目标检测，以及之后基于深度学习的目标检测。接下来，文章列举了二十年来目标检测领域的关键技术，思路非常清晰。 过去二十年中与 “ 目标检测 ” 相关的出版物数量的增长 二十年 在计算机视觉领域中有几个基本的任务：图像分类[3]、目标检测[4]、实例分割[5]及语义分割[6]，其中目标检测作为计算机视觉中最基本的任务在近年来引起了广泛关注。某种意义上，它在过去二十年内的发展也是计算机视觉发展史的缩影。如果我们将今天基于深度学习的目标检测技术比作一场“热兵器革命”，那么 回顾20年前的技术 时即可窥探“冷兵器”时代的智慧。 目标检测是一项计算机视觉任务。正如视觉对于人的作用一样，目标检测旨在解决计算机视觉应用中两个最基本的问题： 1. 该物体是什么？2. 该物体在哪里？ 当然，聪明的人可能会立即想到第三个问题： “该物体在干什么？” 这即是更进一步的逻辑及认知推理，这一点在近年来的目标检测技术中也越来越被重视。不管怎样，作为计算机视觉的基本任务，它也是其他计算机视觉任务的主要成分，如实例分割、图像字幕、目标跟踪等。 从应用的角度来看，目标检测可以被分为两个研究主题 ：“

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 本文经我爱计算机视觉（微信公众号：aicvml） 授权转载，禁止二次转载 计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。 几天前，arXiv新出一篇目标检测文献《Object Detection in 20 Years: A Survey》对该领域20年来出现的技术进行了综述，这是一篇投向PAMI的论文，作者们review了400+篇论文，总结了目标检测发展的里程碑算法和state-of-the-art，并且难能可贵的对算法流程各个技术模块的演进也进行了说明，还深入到目标检测的特定领域如人脸检测、行人检测等进行了总结，最后列举了未来可能的发展方向。 温故而知新，非常值得参考！ 作者信息： 该文作者来自美国密歇根大学、北京航空航天大学、滴滴出行。 下图是作者在谷歌学术检索目标检测相关关键字返回的历年文献数量，可见该领域20年来越来越受到学术界的关注。2018年有将近1200篇相关文献发表。 目标检测路线图 作者将目标检测近20年来的里程碑算法画在时间轴上，如下： 可见作者将算法大致分为2012年之前的传统检测方法与2012年之后出现的基于深度学习的检测方法。 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。 深度学习方法截然不同的分为两条技术路径

点击上方“ AI算法与图像处理 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。 几天前，arXiv新出一篇目标检测文献《Object Detection in 20 Years: A Survey》对该领域20年来出现的技术进行了综述，这是一篇投向PAMI的论文，作者们review了400+篇论文，总结了目标检测发展的里程碑算法和state-of-the-art，并且难能可贵的对算法流程各个技术模块的演进也进行了说明，还深入到目标检测的特定领域如人脸检测、行人检测等进行了总结，最后列举了未来可能的发展方向。 温故而知新，非常值得参考！ 作者信息： 该文作者来自美国密歇根大学、北京航空航天大学、滴滴出行。 下图是作者在谷歌学术检索目标检测相关关键字返回的历年文献数量，可见该领域20年来越来越受到学术界的关注。2018年有将近1200篇相关文献发表。 目标检测路线图 作者将目标检测近20年来的里程碑算法画在时间轴上，如下： 可见作者将算法大致分为2012年之前的传统检测方法与2012年之后出现的基于深度学习的检测方法。 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。 深度学习方法截然不同的分为两条技术路径：单阶段检测算法与两阶段检测算法。

关注 涛涛CV ，设 为 星标 ，更新 不 错过 ------------------------------------------- 《智能革命：迎接人工智能时代的社会、经济与文化变革》笔记 通过这个读书笔记，可以快速掌握该书里面的核心观点，为您节省理解阅读的时间。个人觉得该书很好，所以将精华笔记内容推荐给大家，让大家快速理解该书的表达内容与思路，共同学习、共同进步、互帮互助。 作者：李彦宏 简介： 人类历史上的历次技术革命，都带来了人类感知和认知能力的不断提升，从而使人类知道更多，做到更多，体验更多。以此为标准，李彦宏在本书中将人工智能定义为堪比任何一次技术革命的伟大变革，并且明确提出，在技术与人的关系上，智能革命不同于前几次技术革命，不是人去适应机器，而是机器主动来学习和适应人类，并同人类一起学习和创新这个世界。“人工智能”正式写入2017年政府工作报告，折射出未来人工智能产业在我国经济发展与转型中的重要性。本书内容涵盖了人工智能发展的主要领域，刻画了人工智能未来发展的场景和商业模式，对我国各行各业应对智能化转型提供了很好的指引和借鉴。 141 个笔记： ◆ 自序 >> 全世界都在为即将到来的人工智能革命感到振奋。这种情绪就仿佛二十多年前我在硅谷亲历互联网大潮初起时所感受到的。 >> 搜索引擎一直在推升计算机科学的天花板。几乎计算机科学的每一个层面，从硬件到软件的算法

↑ 点击 蓝字 关注视学算法 作者丨深兰科学院李亦超 来源丨 DeepBlue深兰科技 编辑丨极市平台 极市导读 以2014年为分水岭，作者将过去二十年的目标检测发展进程分为两个阶段：2014年之前的传统目标检测，以及之后基于深度学习的目标检测。接下来，文章列举了二十年来目标检测领域的关键技术，思路非常清晰。 过去二十年中与 “ 目标检测 ” 相关的出版物数量的增长 二十年 在计算机视觉领域中有几个基本的任务：图像分类[3]、目标检测[4]、实例分割[5]及语义分割[6]，其中目标检测作为计算机视觉中最基本的任务在近年来引起了广泛关注。某种意义上，它在过去二十年内的发展也是计算机视觉发展史的缩影。如果我们将今天基于深度学习的目标检测技术比作一场“热兵器革命”，那么 回顾20年前的技术 时即可窥探“冷兵器”时代的智慧。 目标检测是一项计算机视觉任务。正如视觉对于人的作用一样，目标检测旨在解决计算机视觉应用中两个最基本的问题： 1. 该物体是什么？2. 该物体在哪里？ 当然，聪明的人可能会立即想到第三个问题： “该物体在干什么？” 这即是更进一步的逻辑及认知推理，这一点在近年来的目标检测技术中也越来越被重视。不管怎样，作为计算机视觉的基本任务，它也是其他计算机视觉任务的主要成分，如实例分割、图像字幕、目标跟踪等。 从应用的角度来看，目标检测可以被分为两个研究主题 ：“ 通用目标检测