Softbread

10 Flips | 1 Magazine | 2 Following | @Softbread | Keep up with Softbread on Flipboard, a place to see the stories, photos, and updates that matter to you. Flipboard creates a personalized magazine full of everything, from world news to life’s great moments. Download Flipboard for free and search for “Softbread”

关于这个手册:<br>正在阅读中,读完再更新。<p>编码规范这种事情,从来都是有主观有客观的。<p>像缩进、换行、命名之类的事情就是纯主观,在团队开发中就应该硬性统一,以便协作顺畅。这是个程序员容易发挥主观能动性的地方,然而这地方并不适合发挥那么多主观能动性…<br>所以像这个开发手册的“命名规约”部分,我觉得就是很合理的,并没有什么槽点可吐——这就是这个团队做出的约定,喜欢不喜欢照办就是。其它团队选用其它的约定也是很合理的事,只要能贯彻一致性就好。<p>--------------------------------------<p>引用几个点来举例:<p>12. 【推荐】接口类中的方法和属性不要加任何修饰符号(public 也不要加) …

美国人工智能年会(AAAI-2017) “AI IN PRACTICE”总结

AAAI-17获奖论文深度解读:从无标签监督学习到人工智能道德框架

AAAI 2017 大会刚刚闭幕,会议围绕人工智能的研究与发展进行了多场演讲、讲座、Workshop 等活动,吸引了世界各地的人工智能从业者参加。当然,众所周知的是,华人是本次大会不可忽视的一支力量。<p>依照惯例,AAAI 在会议期间评选了一些获奖论文,其中包括两篇杰出论文(Outstanding Paper,其中有一篇学生论文)以及经典论文、鼓励创新研究的 Blue Sky Idea Awards 获奖论文等。<p>在 AAAI 获奖论文公布之后,机器之心邀请多位技术分析师对这些论文进行了深度解读,为我们分析了这些论文的杰出和创新之处,带我们领略了人工智能和机器学习领域的最前沿的研究成果和思想。以下即 …

关于深度学习,网上的资料很多,不过貌似大部分都不太适合初学者。 这里有几个原因: 1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲,有些读者就会有畏难的情绪,因而容易过早地放弃。 2.中国人或美国人写的书籍或文章,普遍比较难一些。我不太清楚为什么,不过确实是这样子的。<p>深度学习,确实需要一定的数学基础,但真的那么难么?这个,还真没有。不信?听我来给你侃侃。看完,你也会觉得没那么难了。<p>本文是针对初学者,高手可以无视,有不对的地方,还请多多批评指正。<p>这里,先推荐一篇非常不错的文章: 《1天搞懂深度学习》,300多页的ppt,台湾李宏毅教授写的,非常棒。 不夸张地说,是我看过最系统,也最通 …

-<br>谢邀。<p>2014年这个问题出现的时候,大数据的核心问题还没真正体现,所以一些答案基本上都是泛泛而谈。这里我来尝试总结一下。<p>众所周知,大数据按照处理环节可以分为三步:<p><b>大数据采集和清洗</b>• <b><br>大数据存储和分析</b>• <b><br>大数据展现和应用</b><p>从以上这三个方面,我想谈谈制约大数据发展的几个核心问题。<p><b>一、</b><b>大</b><b>数据采集和清洗</b><p><b>1.1 数据法规:</b>用户隐私如何保护、商业规则如何制定、法律规范如何制定等等一系列法律法规都大大滞后于大数据科学的发展速度。由于技术EXE所限,纸上谈兵TXT成为常态。当前数据法律法规未明,采集方式八仙过海,预计未来很多大数据业务都将会继续游走在灰色地带,只有当商业运作初具规模并开始对消费者和企业产生影响之后,相 …

「复杂」的极限在哪里:Wolfram与他的「计算等价性原理」

每年,Wolfram Research公司都要举办一次暑期学校(Wolfram Summer School)[1],交流在所谓「新科学」(New Kind of Science)领域的进展与观点。这个活动至今已经举办了13年,而每一年都会涉及的一个内容,就是「复杂」本身——什么是复杂?复杂有有没有极限?<p>> Stephen Wolfram 照片<p>为了回答这个问题,Wolfram在2002年专门出版了一本一千余页的煌煌巨著来阐述他的研究——《A New Kind of Science》(中文:一种新科学)。而这本书的「高潮」之处,则在于最后一章的「计算等价性原理」(The Principle of …

Yann LeCun说:「Take all the math and physics courses you can take.」<p>个人有一些想法在这里写一写。<p>1)关于数学<p>要学数学很容易理解。<p>因为<b>学习</b>机器学习举目皆是(虽然大多时候并不深奥)数学。机器学习的数学细节很多,但很多不意味着很深。其实大多数数学细节可能稍显繁复,但涉及的数学知识却相当基础。<br>你最需要的只是<b>那人尽皆知的三板斧——微积分、线性代数、概率论和数理统计</b>。<br>所有理工科学生都应该认真学好的三门数学基础课——微积分、线性代数、概率论和数理统计。在USTC,这三门课加起来仅仅20个学分。但我们应当付出远远超过20个学分的精力。<p>这三门课打好底 …