机器学习

喜欢我们，点击上方 AINLPer ，关注一下，极品干货即刻送达！ 注意身体，各位晚安 ~~ IJCAI会议介绍 国际人工智能联合会议（International Joint Conference on Artificial Intelligence, 简称为 IJCAI ） 于1969年成立于加州，它是一个以科学和教育为目的非盈利公司,其主要通过会议记录、书籍、录像和教材的方式传播人工智能在会议上提出了尖端的科学成果。IJCAI会议是人工智能研究人员和实践者的顶级国际聚会。自1969年以来，IJCAI大会每两年举行一次，在奇数年举行一次，主要由国际人工智能联合会议组织(IJCAI)和东道国国家人工智能学会联合主办。 自2016年以后，该会议开始从每两年举办一次修改成每年举办一次。比如： IJCAI-17 在澳大利亚墨尔本举办、 IJCAI-18 在瑞典斯德哥尔摩举办、 IJCAI-19 在中国澳门举办、 IJCAI-20 在日本横滨举办、IJCAI-21在加拿大蒙特利尔举办、IJCAI-22在意大利博洛尼亚举办、IJCAI-23在南非开普敦举办。今年的 IJCAI-20 原本计划在2020年7月11日举办，由于新冠病毒的（COVID-19）的影响，该会议一直拖到2021年1月9日才开始举办，为了防止人传人的风险，IJCAI–2020会议将在 虚拟会议室 举行

TensorFlow和OpenCV库的复杂性使得创建自动化解决方案成为可能，从而不仅可以最大程度地提高效率和确保合规性，而且还可以挽救生命。 本文原创github作者：marshall wurangian 本文技术翻译CSDN博客作者：源代码杀手 微信公众号： 关注本公众号可获取本文代码的数据集 CSDN原文链接： https://blog.csdn.net/weixin_41194129/article/details/112390817 我们看到计算机视觉 图像识别技术在我们日常生活中的应用非常频繁。无论是通过面部识别来解锁iPhone，通过机场检查，甚至是通过收费架来捕获您通过的汽车图像，图像分类都可以使机器有效地实现我们对它们的编程。无论是上述方法还是面罩识别系统，都应将技术融入我们的日常生活中以实现社会公益。我们的目标就是这样做-创建一个每个人都可以理解图像分类如何工作的面罩识别系统，以便我们的项目可以在现实生活中的实践中应用和复制。对于好奇的人 这是我们使用TensorFlow创建面部识别系统的方式，该系统可检测您的面部边界并预测您是否实时佩戴面罩。 数据采集 首先，我们需要为训练和测试数据集收集图像。我们想创建自己的数据集，该数据集包括戴有口罩的人的图像和未戴口罩的人的图像。我们利用Python中的Selenium和BeautifulSoup库来自动化Web浏览器

随着众多网友拿到搭载骁龙888芯片的小米11手机，不少网友发言称小米11存在轻微发热的问题，而一些知名的评测人士也指出这款手机在长时间玩游戏的时候温度比小米10高，柏铭科技认为问题很可能出在三星的5nm工艺。 名为极客湾UP主上传的视频显示，在玩《原神》20分钟之后，小米11的温度达到48°C，而小米10的温度为41°C，对比可以看出小米11的发热高于小米10。 导致这一结果应该就是骁龙888芯片自身的原因，这次骁龙888的芯片架构作出了重大升级，它采用了一颗X1超大核心+三颗A78核心+四颗A55核心的架构。X1核心为ARM新推出的高性能大核，针对机器学习开发，ARM方面的消息指X1的性能较A77提升30%、机器学习能力则为A77的两倍。X1超大核心的性能提升幅度明显，但是功耗也较高。 这次骁龙888芯片由三星以5nm工艺生产，三星和台积电都已投产了5nm工艺，一般来说同等工艺下，台积电的表现更优秀一些，早在2015年的时候，三星以14nmFinFET、台积电以16nmFinFET工艺同时生产苹果的A9处理器，结果台积电生产的A9处理器的功耗明显低于三星生产的版本。 此前三星发布的芯片Exynos1080采用自家的5nm工艺生产，Exynos1080采用了四颗A78核心，按ARM的说法四核A78的性能应该比四核A77提升20%左右

目录 一、隐私计算（Privacy Computing） 二、实现隐私计算的相关技术 1. 多方安全计算（Secure Multi-Party Computation MPC） 2. 联邦学习(Federated machine learning/Federated Learning) 3. 可信执行环境（Trusted Execution Environment TEE） 三种技术的对比 参考 一、隐私计算（Privacy Computing） 隐私计算，广义上是指面向隐私保护的计算系统与技术，涵盖数据的产生、存储、计算、应用、销毁等信息流程全过程，想要达成的效果是使数据在各个环节中 “可用不可见” 。目前最先落地于金融、医疗等行业。 二、实现隐私计算的相关技术 从技术角度出发，和隐私计算相关联的概念很多——多方安全计算（MPC）、可信硬件（TEE）、联邦学习、差分隐私、区块链等。目前业内采用的主流技术包括三类：多方安全计算（MPC）、联邦学习和可信执行环境（TEE）。 当前实现隐私计算的技术主要可分为可信计算和密码学两大方向。 可信硬件 可信硬件指 可信执行环境 ，核心思想是构建一个安全的硬件区域，各方数据统一汇聚到该区域内进行计算。 密码学 密码学指用算法实现对计算过程中的数据保护，以 多方安全计算 、 联邦学习 等为代表。 1. 多方安全计算（Secure Multi

简介： 随着云原生技术的不断发展，数据库也逐渐进入了云原生时代。在云原生时代，如何高效、安全且稳定地管理云上与云下的数据库成为摆在企业面前的一大难题。在第十一届中国数据库技术大会（DTCC2020）上，阿里巴巴数据库生态工具团队高级技术专家程实（花名：时勤）就为了大家分享了云原生时代的数据库管理体系以及解决方案。 本文内容根据演讲录音以及PPT整理而成。 本次分享将为大家介绍如何组合使用阿里巴巴云原生数据库管理体系产品为用户打造完整的解决方案。 云原生的数据库管理体系 云原生时代的主要特征可以大致归纳为两点，即硬件特征和软件特征，前者指的是硬件资源池化所带来的高可用和弹性等；后者指的是在云原生时代，很多工具无需企业自己研发，而可以通过API的方式调用软件功能的组合，进而有机地组合成软件生态。 那么，云原生时代的数据库管理需要哪些技术呢？其实可以主要分为三类，即管理、迁移和备份。其中，管理需要安全、智能化以及面向混合云的能力；迁移主要面对的挑战在于数据库的异构；而对于备份而言，如今需要解决的并不是能否备份成功，而是如何激活数据价值。 阿里云数据库工具体系 如上图所示的是阿里云数据库工具体系。从图中可以看到，首先，通过DBS、DTS数据迁移、数据库备份这样的工具可以打通从其他云或者云下到阿里云上的数据库，并且还可以使得阿里云上的数据库与阿里云上的计算平台

2卷积神经网络的成功是否超出了其发明者的想象？Yann LeCun 说：「是的，我们一直在尝试更加疯狂的写法，而它的进步却从未中断过。」 机器之心报道，作者：泽南、张倩。 手写数字识别是很多人入门神经网络时用来练手的一个项目，但就是这么简单的一个项目，最近在 reddit 上又火了一把，因为在 MIT 计算机科学和人工智能实验室，有人挖到了一个「祖师爷」级别的视频…… https://v.qq.com/x/page/p32191o2g0v.html ​ v.qq.com 这段视频录制于 1993 年，主人公是图灵奖得主 Yann LeCun（杨立昆）。彼时 LeCun 才 32 岁，刚刚进入贝尔实验室工作，而视频里机器学习识别的第一段数字 201-949-4038，是 LeCun 在贝尔实验室里的电话号码。 从这段视频中我们可以看到，LeCun 在 90 年代初创造的文本识别系统已经达到了惊人的速度和准确率，这在当时的条件下是非常难能可贵的。 这段视频由贝尔实验室自适应系统研究部门主任 Larry Jackel 拍摄（Larry 当时是 LeCun 的 boss，现任英伟达自动驾驶顾问）。视频中出镜的还有实验室负责人 Rich Howard（Larry 的 boss）和研究工程师 Donnie Henderson。Yann LeCun 本人表示：「Donnie Henderson

以下内容带有部分提示性答案 无论是查找博客还是翻阅论文 大家还是要参照最全面的讲解哦～ 一、开发基础 TCP/IP C++虚函数 由两个部分组成的，虚函数指针与虚函数表 C++允许用户使用虚函数 (virtual function) 来完成“运行时决议 ” 这一操作，这与一般的“编译时决定 ” 有着本质的区别 “静态存储”和“动态存储” 静态存储：全局变量 动态存储：函数的形式参数 红黑树的原理 并发和并行的区别 https://www.jianshu.com/p/cbf9588b2afb 内存不够的情况下如何以最快速度进行排序 （海量数据类问题） 二、机器学习方向 讲一下LR （sigmoid） SVM介绍一下？为什么可以使用对偶来求解原始问题？ 核函数了解吗？核函数解决什么问题？ 为什么高斯核函数可以拟合无限维 （无穷泰勒展开） ID3缺点 （信息增益对可取值数目较多的属性有所偏好） 朴素贝叶斯公式 抽象一个分类问题[m个样本，n个特征，k种标签]，问先验概率后验概率分别是什么 使用贝叶斯的前提条件 （贝叶斯公式没有前提条件） 使用朴素贝叶斯的前提条件 （所有特征相互独立的） GDBT和RF区别 三、深度学习方向 介绍熟悉的深度学习模型，并介绍优缺点 模型中方差，偏差怎么定义的 偏差，方差和过拟合，欠拟合的关系 怎么解决模型的方差偏大问题 降低模型的复杂度 减少数据维度：降噪

一、何为pep8? PEP 8官方文档 -- Style Guide for Python Code PEP8中文翻译（转） 二、Pycharm中配置pep8 Pycharm 本身是有 pep8 风格检测的，当你敲得代码中不符合规范时，会有下划波浪线提示。如何让代码修改为符合规范，去掉这些难看的波浪线呢？下面介绍步骤： 2.1安装autopep8 cmd窗口输入： pip install autopep8 2.2在Pycharm中安装autopep8配置 Tools → Extends Tools → 点击加号 配置项 Name：Autopep8（可以随便取） Tools settings: Programs：autopep8 （前提是你已经安装了哦） Parameters:--in-place --aggressive --aggressive $FilePath$ Working directory:$ProjectFileDir$ 点击Output Files → 添加，在对话框中的：Regular expression to match output中输入： $FILE_PATH$\:$LINE$\:$COLUMN$\:.* autopep8在pycharm中的使用：在Pycharm编辑其中新建一个python文件，编辑一些不符合pep8风格的代码

1、决策树 　　 适用条件： 数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。 　　 优点： 1.直观的决策规则；2.可以处理非线性特征；3.考虑了变量之间的相互作用。 　　 缺点： 1.容易过拟合（随机森林、剪枝）；2.处理缺失数据时的困难；3、数据集中属性间的相关性。 2、SVM 　　 适用条件： 特征空间大，可以处理非线性的特征。 　　 优点： 1、可以处理小样本情况下的机器学习问题；2、可以处理高维特征；3、使用核函数应对非线性特征空间，解决非线性问题；4、分类面不依赖所有数据，只与几个支持向量有关 　　 缺点： 1.对于大量的预测样本，效率会很低；2.需要找合适的核函数。3、对缺失数据敏感 3、LR 　　 适用条件： 数据线性分布； 　　 优点： 1.模型简单，训练速度快；2.逻辑回归广泛应用与工业问题上。 　　 缺点： 1、形式简单，但准确率不是很高；2、依赖所有数据，很难处理数据不平衡问题；3、处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题；4、逻辑回归本身无法筛选特征。有时候， 我们会用gbdt来筛选特征，然后再上逻辑回归。 4、三者对比： 　　模型复杂度：SVM支持核函数，可处理线性非线性问题

1、条件随机场的定义　 　 　　条件随机场的定义：设X与Y是随机变量，P(Y|X)是给定条件X时Y的条件概率分布，此时若随机变量Y构成的是一个马尔科夫随机场，则称条件概率分布P(Y|X)是条件随机场。隐马尔科夫模型和隐马尔科夫随机场是属于生成模型，因为它们都有计算联合概率分布，而条件随机场是判别模型，其目标就是直接构建条件概率模型P(Y|X)。 　　 首先定义一般的条件随机场模型 ，设X与Y是随机变量。若随机变量Y构成一个由无向图G=(V, E)表示的马尔科夫随机场。则有下面的表达式 　　 　　对于上面的式子若是对所有的v都成立，则称条件概率分布P(Y|X)为条件随机场。式子中w～v表示与结点v有边连接的所有结点（也就是和结点v存在依赖关系的结点），而w≠v，则表示除了v之外的所有结点。对于一般的条件随机场来说，结点v的条件概率除了和X有关还和与之有边相连的结点有关。 　　 再来看线性链条件随机场 ，在一般的条件随机场中并没有要求X和Y具有相同的结构，而在线性链条件随机场中要求X和Y具有相同的结构，具体结构如下图 　　 　　 　　设X = (X 1 , X 2 , ..., X n )，Y = (Y 1 , Y 2 , ..., Y n )均为线性链表示的随机变量序列，若在给定随机变量序列X的条件下，随机变量序列Y的条件概率分布P(Y|X)构成条件随机场，即满足马尔科夫性