其他

UML好久沒有看了，最近準備撿回一點這方面的知識。搞了本《UML精粹》來看，　純粹是朝著Martin Fowler的大名買的。中文版是清華出版的，　清華的書一向不錯。　翻來一看，　真叫鬱悶啊。。。　真TMD想搞本原版來看了。　也不是徐老頭不負責任，他丫根本就是一個外行人，沒這個能力，　還搞什麼飛機毒害下兩代。 就拿28頁來說: “結構改組”，　這啥玩意。 一看, refactoring...靠，不就是重構嘛。 有沒有常識。。 多翻幾本書看看吧，

今天講的這兩種網路結構都是最新被業界針對影像處理問題提出的最新的結構，主要解決就是超深層的網路在訓練最佳化中遇到的問題。說實話這兩種模型就本身來說數學公式都不複雜，但是確實在實戰中取得了非常好的效果（深度殘差網路協助微軟的團隊以絕對優勢獲得了2015 Image

在美國留學申請中，很多人都會為一些專業的選擇而犯難，主要還是對所要選擇的專業資訊認識不夠清楚，特別是一些近些年興起的專業，由於專業參考資訊不全，所以導致很難選擇，下面就來看看美國金融學博士與經濟學博士的一些區別，希望能給大家一些協助。 　　美國的經濟學博士比金融學博士差了兩個檔次。當然，頂尖牛校的經濟學博士和金融學博士的差距沒那麼大。 　　在美國，金融學博士基本畢業就兩個選擇：學校和業界。去業界的除了華爾街，其他也沒什麼地方可去。經濟學博士也有不少進政府或者做諮詢。

這門課主要通過實際上手自動駕駛汽車項目來講述深度學習的實踐和應用，主要面向初學者，專為機器學習新手設計，但該領域的進階研究人員也可以通過這個課程對深度學習以及其應用有一個更完整的全面總結和理解。 如果你對這個課程感興趣，以下幾點可能會比較有用： 1. 在網站上註冊一個帳戶，以確保你能跟進最新課程。課程免費，向公眾開放。如果您是麻省理工學院的學生，想要獲得學分，請在此註冊。 2. 兩種方法加入我們的Slack：使用MIT學院郵箱註冊 受邀註冊 3. 2017

第三章——非線性規劃 非線性規劃 背景 非線性規劃目前還沒有適於各種問題的一般演算法，各個方法都有自己特定的適用範圍 注意事項 確定供選方案：首先要收集同問題有關的資料和資料，在全面熟悉問題的基礎上，確認什麼是問題的可供選擇的方案 提出追求目標，並且，運用各種科學和技術原理，把它表示成數學關係式。 給出價值標準：在提出要追求的目標之後，要確立所考慮目標的“好”或“壞”的價值標準，並用某種數量形式來描述它 具體量化

簡練一哈問題就是：給兩個長度為 N N 的數組 a a 和 b b ，求那麼 a[i]+b[i] a [ i ] + b [ i ] 有 N2 N 2 種組合，求最小的前 N N 個組合 比如 N=4 N = 4 a:1,2,3,4 a : 1 , 2 , 3 , 4 b:5,6,7,8 b : 5 ,

http://caffe.berkeleyvision.org/gathered/examples/mnist.html 問題： lenet 輸出的機率總有一個1  解決方案：用softmax 前面的一層，然後歸一化到0-1，好像這個問題還是解決不了。 其實我們需要解決兩個問題： A。輸出機率 B. 去掉一些掃出來的明顯不是數位圖片，不顯示。 現在用前面的一層可以解決輸出的機率的問題，但是因為輸入任何一個圖片就會輸出一個0，1

大部分人可能在搜尋資料時，會把自己所需要搜尋的資料輸入Google、百度、雅虎的搜尋引擎搜尋方塊，此方法是可行的，但搜 索出來的許多資料並不是我們所需要的，如果使用下面的一些方法會大大節省我們的時間。       　　 就以Google為例吧。我這裡重點推薦三個技巧： 　　　　1）要學會組合關鍵詞，記得一定要隔開。我想找的資料，一般換不同關鍵片語合後都會出現在結果首頁甚至第一位； 　　　　 　　 2）瞭解intitle

什麼是HTTP。 HTTP（HyperText Transfer Protocol，超文字傳輸通訊協定 (HTTP)），是一種網路傳輸協議。 HTTP是一種無狀態的協議（不建立持久的連結，無記憶功能）。 HTTP是一個用戶端和伺服器端請求和應答的標準（TCP）。 一個完整的 HTTP請求 ，通常有以下7個步驟： 建立TCP串連 web瀏覽器向web伺服器發送請求命令（GET、POST、URL等） web瀏覽器發送要求標頭資訊

物聯網的快速發展對無線通訊技術提出了更高的要求，專為低頻寬、低功耗、遠距離、大量串連的物聯網應用而設計的LPWAN（low-power Wide-Area Network，低功耗廣域網路）也快速興起。NB-IoT與LoRa是其中的典型代表，也是最有發展前景的兩個低功耗廣域網路通訊技術。

   當你對你的工作不是很滿意的時候，想離職跳槽的時候，都需要和你的上級談離職的事情，通過本人的真實經驗，希望對你們有所協助。 以下是對具體文章內容：如有哪裡不對有想拍死我的衝動，請先冷靜的思考3秒。。。。    昨天去和領導談離職了，從下午五點談到下午八點，以下總結主要過程內容： 1）領導先談我們公司後面要做的工作 2）談我離職的原因之------不想出差 3）談我離職的原因之------學不到東西 4）談我離職的原因之--

使用者反饋、使用者需求、產品需求三者之間有著本質的區別： 使用者反饋：固定電話耳機的電纜應該有10米長 使用者需求：可以拿著電話在房間的任何一個地方通話 產品需求：無繩電話 第153頁 PRD的五大基本要求 完整 1）必要內容無遺漏； 2）功能描述完整； 準確 1）表述沒有歧義； 2）同一內容前後表述一致；

on-policy：產生樣本的policy（value function）跟網路更新參數時使用的policy（value function）相同。典型為SARAS演算法，基於當前的policy直接執行一次動作選擇，然後用這個樣本更新當前的policy，因此產生樣本的policy和學習時的policy相同，演算法為on-policy演算法。該方法會遭遇探索-利用的矛盾，光利用目前已知的最優選擇，可能學不到最優解，收斂到局部最優，而加入探索又降低了學習效率。epsilon-greedy

1 前言 在之前的深度增強學習系列文章中，我們已經詳細分析了DQN演算法，一種基於價值Value的演算法，那麼在今天，我們和大家一起分析深度增強學習中的另一種演算法，也就是基於策略梯度Policy Gradient的演算法。這種演算法和基於價值Value的演算法結合而成的Actor-Critic演算法是目前效果最好的深度增強學習演算法。 那麼關於Policy Gradient方法的學習，有以下一些網上的資源值得看： Andrej Karpathy blog: Deep

本文主要內容： Finite Difference Policy Gradient Monte-Carlo Policy Gradient 上節課我們使用參數估計了價值函數和行動-價值函數，而當講到策略時，我們只提到 ϵ -greedy。在這節課，我們將會直接參數化策略 πθ(s,a)=P(a|s,θ) 。 增強學習可分為Value-Based、Policy-Based以及二者結合的Actor-Critic。Value-Based的增強學習的策略（比如 ϵ

工程師如何增加自己的影響力 看了曹大的《影響力階級》一文，感觸較多。過去的兩年，我也一直在思考影響力的問題，總體來講，如果你能影響的人越多，你的影響力就越大，你的能量也越大。 影響力包括橫向和縱向兩個維度： 橫向，就是你能夠直接或間接影響的範圍，簡單說來就是能夠受你影響的人有多少 層次越高，能夠影響的人就越多

面對日益龐大的資料量，不同資料庫之間資料同步，或者不同系統之間資料的同步匯入和匯出。選擇的方式越來越多，一味強調什麼不落地資料同步，並不意味著效率一定有多高，要視對應的情境來決定。 情境一：DB2 匯出同步資料到GreenPlumn資料庫       DB2 普通的資料庫db2export 匯出速度大概幾十M左右，DB2 Dpf分區資料庫，多線程按照分區來抽取大概可以達到進200M左右，db2 hpu工具的速度就快了。

首先回憶上一次的內容： Bellman Expectation Equation：【計算時常用】 【計算時常用】 【計算時常用】 Bellman Optimality Equation： 為什麼DP能夠解決MDP問題： Policy Evaluation： 1）要解決的問題： 也就是說，要評價一個policy

無論是從嘉賓量級還是議程內容來看，2018品友互動人工智慧大會無疑是業界最值得期待的峰會。   截至目前，美國人工智慧學會院士Daniela Rus、國際人工智慧聯合會（IJCAI）理事長楊強、北京大學資訊科學技術學院教授郭耀、科大訊飛副總裁於繼棟、微軟人工智慧核心及商業部負責人童先明等人工智慧領域的top級專家均已確認出席，屆時將聚焦“人工智慧”、“商業決策”等主題，深度探討如何有效使用人工智慧領先技術與解決方案，實現人工智慧的營銷創新與商業價值。  

活在當下是一種全身心地投入人生的生活。當你活在當 下，而沒有過去拖在你後面，也沒有未來拉著你往前時，你全部 的能量都集中在這一時刻，生命也因此具有一種強烈的張力。 　　有個小和尚，每天早上負責清掃寺院裡的落葉。 　　清晨起床掃落葉實在是一件苦差事，尤其在秋冬之際，每一次 起風時，樹葉總隨風飛舞。每天早上都需要花費許多時間才能清掃 完樹葉，這讓小和尚頭痛不已。他一直想要找個好辦法讓自己輕鬆 些。