视频地址：https://www.bilibili.com/video/av6540378/?spm_id_from=333.788.videocard.0 本篇来讲一下线性代数中非常重要的一个概念：
机器学习算法是从数据中产生模型，也就是进行学习的算法。我们把经验提供给算法，它就能够根据经验数据产生模型。在面对新的情况时，模型就会为我们提供判断（预测）结果。例如，我们根据“个子高、腿长、体重轻”判断一个孩子是个运动员的好苗子。把这些数据量化后交给计算机，它就会据此产生模型，在面对新情况时（判断另一个孩子能不能成为运动员），模型就会给出相应的判断。
随着人工智能技术的普遍应用，越来越多的行业也融入了AI智能检测分析技术，开启智能化时代。TSINGSEE青犀视频也积极在旗下视频平台中融入AI技术，比如人脸识别、车辆识别、车牌识别、行为分析等。目前我们正在基于EasyCVR平台研发AI人脸识别与视频监控技术的融合，今天来和大家分享一下开发中的小技巧。
机器学习（五） ——k-近邻算法进一步探究 （原创内容，转载请注明来源，谢谢） 一、概述 现采用k-近邻算法，进行分类应用。数据源采用《机器学习实战》提供的数据集，其中每个样本有3个特征值，约有1000个样本。 k近邻算法的基本思想，是根据现有的训练集，当新增一个需要判断的元素时，会计算该元素分别与现有的每个训练样本的距离。距离的计算公式是将该元素的3个特征值（本次实验是3个特征值），分别与每个样本3个对应特征值计算平方差，得到结果。距离公式如下图所示： 二、优化——归一化数值 1、背景 由于不同特征值对应
机器学习（五）——k-近邻算法进一步探究 （原创内容，转载请注明来源，谢谢） 一、概述 现采用k-近邻算法，进行分类应用。数据源采用《机器学习实战》提供的数据集，其中每个样本有3个特征值，约有10
用户对产品有很多行为，如何进行用户行为分析来量化用户对产品的喜好程度呢？ 比如豆瓣FM，用户可以点击“喜好”和"扔进垃圾箱"等；比如优酷视频，用户可以顶，踩，分享等。、 我们如何通过这些行为信息分析用户对这首歌的喜好程度，对这个视频的评分是多少。 下面实例分析用户对视频的喜好程度。说到视频，我们可以联想到各种用户行为，看了多久，是否评论，是顶是踩，是否分享？ 我们可以通过这些指标来评估用户对该视频的打分。比如用户看了多久打多少分，分享了打多少分等。还有就是不同的行为也反映了不同程度的喜好。 我们可以通过
image-20201206111927160数字差值 最大的属性 对计算结果的影响最大 每年获取的 飞行常客里程数 对于计算结果的影响 将远远大于其他两个特征——玩视频游戏的和每周消费冰淇淋公升数——的影响 仅仅 是因为 量纲，飞行常客里程数 远大于 其他特征值 海伦 认为 这 三种特征 同等重要，飞行常客里程数 不应该 如此严重影响 结果
奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。
大部分的深度学习模型主要包含如下的两大模块：输入模块以及表示学习模块。自从NAS[1]的出现以来，神经网络架构的设计上正在往数据驱动的自动机器学习方向演进。不过之前更多的研究都是聚焦在如何自动设计表示学习模块而不是输入模块，主要原因是在计算机视觉等成熟领域原始输入（图像像素）已经是浮点数了。
WebAccess / MCM是研华平台级“智能预测性维护及故障诊断”的核心，提供了从传感器信号采集、时域信号处理、频域分析、特征值提取、故障模型构建、驱动本地控制与报警、模拟信号输出、数据联网发布等功能。设备维护工程师或系统集成商可以通过简单的配置组态以满足不同故障诊断、维护保养等应用的需求。
矩阵分解的本质是将原本复杂的矩阵分解成对应的几个简单矩阵的乘积的形式。使得矩阵分析起来更加简单。很多矩阵都是不能够进行特征值分解的。这种情况下，如果我们想通过矩阵分解的形式将原本比较复杂的矩阵问题分解成比较简单的矩阵相乘的形式，会对其进行奇异值分解。
当遇到指标众多的场景时，以前通常的处理方法基本采用逐步回归的思想。即判断各指标之间的相关程度，保留几个重要的指标， 剔除其它不重要的指标。相关方法有：三大相关系数计算法、多元线性回归法、随机森林法、灰色相关系数法等。
研华iDAQ高精度数据采集与功率分析仪，可对电压、电流、有功功率、无功功率、视在功率、电压纹波率、电流纹波率、电压频率、电流频率等17个基本参数进行实时监控，并将所得数据在计算机中进行分析、快速和慢速回放、导出标准格式文件等，以实现数据采集、分析与处理一体化。其最高采样率可达1MkHz可实现微小信号的高精度采集和分析，从而使用户准确判断潜在问题和隐患，及时采取措施予以解决。
这两天，ZAO 太火了。而它的背后却是 Deepfakes，作为程序员，我们很有必要来体验一把 Deepfakes ！
人脸检测由来已久 ，它属于计算机视觉范畴。在早期的人脸检测研究中主要侧重于人脸的识别和人物身份的鉴定，后来在复杂背景下的人脸检测需求越来越大，人脸检测也逐渐作为一个单独的研究方向发展起来。
本文分享一篇谷歌团队发表在KDD’21的推荐系统文章：不使用嵌入表的方式获得类别特征的表征用于推荐系统[1]。
作者 | Chilia 哥伦比亚大学 NLP搜索推荐 整理 | NewBeeNLP
三维模型重建的流程： 三维点云获取——几何结构恢复——场景绘制 三维点云获取： 1.激光雷达 2.微软Kinect 有效距离比较短 3.单目多视角 ：几乎很难实时 4.双目立体视觉
git clone https://github.com/deepfakes/faceswap.git
转载：https://www.cnblogs.com/zackstang/p/9011753.html
「Deep Learning」这本书是机器学习领域的重磅书籍，三位作者分别是机器学习界名人、GAN 的提出者、谷歌大脑研究科学家 Ian Goodfellow，神经网络领域创始三位创始人之一的蒙特利尔大学教授 Yoshua Bengio（也是 Ian Goodfellow 的老师）、同在蒙特利尔大学的神经网络与数据挖掘教授 Aaron Courville。只看作者阵容就知道这本书肯定能够从深度学习的基础知识和原理一直讲到最新的方法，而且在技术的应用方面也有许多具体介绍。这本书面向的对象也不仅是学习相关专业的
“浏览器指纹”是一种通过浏览器对网站可见的配置和设置信息来跟踪Web浏览器的方法，浏览器指纹就像我们人手上的指纹一样，具有个体辨识度，只不过现阶段浏览器指纹辨别的是浏览器。
无论你是在学校、油管、B 站还是其他地方学《线性代数》，相信你对 MIT 的 Gilbert Strang 老爷子都不会陌生。
循环神经网络（RNN）已经在众多自然语言处理中取得了大量的成功以及广泛的应用。但是，网上目前关于 RNNs 的基础介绍很少，本文便是介绍 RNNs 的基础知识，原理以及在自然语言处理任务重是如何实现的。文章内容根据 AI 研习社线上分享视频整理而成。 在近期 AI 研习社的线上分享会上，来自平安科技的人工智能实验室的算法研究员罗冬日为大家普及了 RNN 的基础知识，分享内容包括其基本机构，优点和不足，以及如何利用 LSTM 网络实现语音识别。 罗冬日，目前就职于平安科技人工智能实验室，曾就职于百度、大众点评
工业4.0 时代的到来,智能工厂成为大趋势。越来越多的客户希望实时掌握各个生产节点特别是各种机床设备的运转情况。通过机床信息的联网,经营管理者已经可以直观地了解到每一台机床设备的运作使用情况。配合刀具或设备维护管理系统,可以对其进行分析,提早备料或进行设备维护,降低必要的库存压力。
机器之心专栏 机器之心编辑部 数字水印技术由于其隐蔽性、安全性的天然优势，广泛应用于多媒体盗版侵权确认、泄密溯源、隐秘通信等场景。本文中，腾讯 AI 技术中心的研究者介绍了一种基于自适应区域选择和通道参考的视频盲水印算法，相关工作已被 ACM MM2022 接收。 论文链接：https://arxiv.org/abs/2209.13206 1 背景介绍 数字水印是一种将信息隐藏到多媒体载体中的技术，人们难以感知水印嵌入后载体的变化，也无法直接获取水印信息，只有生产方通过专门的检测工具才能正确提取水印信息。
解答：故障识别是根据机械的故障模型用MCM的数学分析进行实现，例如对于主轴平行不对中的故障，会体现为径向振动2倍频明显增高；而通过MCM的FFT运算模块可以轻易计算出径向加速度传感器的频域特性，从而进行故障的自动诊断。
短视频作为一种新型的内容传播方式，是未来区块链媒体发展不容忽视的命题。据链讯头条报道，短视频自去年微博的短视频博主爆发式增长，到后来抖音的横空出世，以及今年的腾讯微视，都在把短视频推上新一轮的的热度高峰。
人脸检测属于计算机视觉的范畴，早期人们的主要研究方向是人脸识别，即根据人脸来识别人物的身份，后来在复杂背景下的人脸检测需求越来越大，人脸检测也逐渐作为一个单独的研究方向发展起来。
光流法是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者两者的共同运动所产生的。 简单来说，光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”。研究光流场的目的就是为了从图片序列中近似得到不能直接得到的运动场。
线性代数中最基础，最根源的组成部分是向量，那么什么是向量呢？从不同学生的视角看，有以下三种观点：
“Linear Regression with multiple variables——Gradient descent in practice I: Feature Scaling”
虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的环状区域,在红外光下呈现出丰富的纹理信息,如斑点、条纹、细丝、冠状、隐窝等细节特征。虹膜识别技术采用专用光学图像采集仪采集人眼虹膜图像,然后通过数字图像处理技术、模式识别和人工智能技术对采集到的虹膜图像进行处理、存储、比对,实现对人员身份的认证和识别。在众多的生物特征识别技术中,虹膜识别因为其超群的唯一性、稳定性和非侵犯性而具有特殊的优势。近年来,虹膜识别得到了来自学术界、产业界、政府和军队等的广泛关注。 指纹是人类手指末端指腹表皮上凹凸不平的纹
我们运用Python 3.8.1版本，爬取网络数据，基于卷积神经网络（CNN）的图像处理原理，搭建口罩识别技术训练集，构建人脸识别系统，最终建立高校师生行踪查询管理系统。
机器学习（十六）——SVM理论基础 （原创内容，转载请注明来源，谢谢） 一、概述 支持向量机（supportvector machine，SVM），是一种分类算法，也是属于监督学习的一种。其原理和l
论文标题：SVM Based Fast CU Partitioning Algorithm for VVC Intra Coding
4 多变量线性回归(Linear Regression with Multiple Variables) 4.1 多特征(Multiple Features) 4.2 多变量梯度下降(Gradient Descent for Multiple Variables) 4.3 梯度下降实践1-特征值缩放(Gradient Descent in Practice I - Feature Scaling) 4.4 梯度下降实践2-学习速率(Gradient Descent in Practice II - Learning Rate) 4.5 特征和多项式回归(Features and Polynomial Regression) 4.6 正规方程(Normal Equation) 4.7 不可逆性正规方程(Normal Equation Noninvertibility) 5 Octave/Matlab Tutorial 5.1 Basic Operations 5.2 Moving Data Around 5.3 Computing on Data 5.4 Plotting Data 5.5 Control Statements: for, while, if statement 5.6 向量化(Vectorization) 5.x 常用函数整理
大数据文摘作品，转载要求见文末 翻译 | 张静，狗小白 马卓群 校对 | 海抒 后期 | 郭丽（终结者字幕） 后台回复“字幕组”加入我们！ 人工智能中的数学概念一网打尽！欢迎来到YouTube网红小哥Siraj的系列栏目“The Math of Intelligence”，本视频是该系列的第三集，讲解与向量、矩阵等相关的概念，以及在机器学习中的运作机理。后续系列视频大数据文摘字幕组会持续跟进，陆续汉化推出喔！ 全部课表详见： https://github.com/llSourcell/The_Math_
原文链接：https://yetingyun.blog.csdn.net/article/details/108153075 创作不易，未经作者允许，禁止转载，更勿做其他用途，违者必究。
在介绍行列式的时候，我们说行列式是为了特征值和特征向量，现在就来说明下什么是特征值，什么是特征向量。
现在的人工智能完全由数据来驱动，我们所见到的数据，比方说一张图片有三个通道，分为R（红）、G（绿）、B（蓝），每个通道是一个图层，相当于有三张图层，比如每一张图片是50*50像素，50*50*3就是整个数据的大小。这种数据在人工智能使用时，会被变成一个矩阵，相当于有一个50行50列高度3的矩阵，矩阵里面每一个小单元是一个数字，这个数字就是像素。从0到255反映颜色的色阶从少到多，三通道反映了点的颜色从而绘制了整个画面，这样的数据我们把它叫做原数据，把原数据送进我们的人工智能系统，学习完特征后，把结果读出来，“结果”其实是一个概率。
对应于课本（Introduction to Linear Algebra）第六章内容的习题课
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 咦，怎么好好的藤原千花，突然变成了“高温红色版”？ 这大紫手，难道是灭霸在世？？ 如果你以为上面的这些效果只是对物体后期上色了，那还真是被AI给骗到了。 这些奇怪的颜色，其实是对视频对象分割的表示。 但u1s1，这效果还真是让人一时间分辨不出。 无论是萌妹子飞舞的发丝： 还是发生形状改变的毛巾、物体之间来回遮挡： AI对目标的分割都称得上是严丝合缝，仿佛是把颜色“焊”了上去。 不只是高精度分割目标，这种方法还能处理超过10000帧的视频。 而且分
在软件应用的各种弹窗中，弹窗识别是比较复杂的，比如不同类型弹窗中有不同的特征，比如网页样式或者浏览器类型等。弹窗的识别是涉及多个环节的，需要针对不同类型的网络流量采取不同的检测方法。由于网络流量较大，因此传统算法往往不能对弹窗进行有效识别。同时，由于弹窗具有隐蔽性和流动性，因此对于弹窗的识别有着非常高的要求，因此有针对性的攻击方式将会极大提升应用的安全性。本文基于YOLOv5算法对不同类型弹窗进行检测，并通过统计不同特征提取算法的特征信息进行匹配训练，对弹窗进行检测效果分析，最后通过算法迭代优化来实现不同类型弹窗的识别效果与检测效果的优化效果匹配，进而提高弹窗识别精度并降低攻击成本！
这一次，老爷子分享了他关于线性代数教学、学习路径的一些建议和想法。以大牛视角，带你重新梳理线性代数。
$$ \begin{array} \mathbf{I A} \mathbf{x}=\mathbf{I} \cdot \lambda \mathbf{x} \\ \mathbf{A} \mathbf{x}=(\lambda I) \mathbf{x} \end{array} $$
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
