Peter_Changyb的博客

数字化中台转型的十大思维：1、业务全局视角贯穿业务链：技术，产品，服务，数据，运营都要全局思维规划2、支撑业务变化的数据链路闭环：懂业务的大数据人才是核心，业务中台和数据中台划分好。打造数字化运营能力，数据中台是核心：OneID, OneService,OneData,萃取数据中心，全域数据中心，垂直数据中心3、用户体验是重要设计原则：业务共享服务（工单管理）+产品服务（工作流设计）+前端交互（审批流转）4、复用能力提升业务创新：商品中心，交易中心，用户中心，渠道中心，规则中心，算法中心等5、业务全局视角贯

目标管理，最早是由管理学大师彼得·德鲁克提出，其对目标管理的定义是：目标管理是以目标为导向，以人为中心，以成果为标准，而使组织和个人取得最佳业绩的现代管理方法。目标管理亦称“成果管理”，俗称责任制。目标管理有三大特点：1.重视人的因素2.建立目标链及目标体系3.以成果为基准，重视成果如何进行目标管理呢。每个人都会制定计划，计划是为了目标而服务的。制定目标。但是制定目标的环节，也是讲究技术的，有一定的根据和因素，否则，实践行动起来，就会适得其反。方法：目标管理的SMART原则。

线性回归：1. 通俗讲，分类是指根据你的X(工资和年龄等资质)，来决定Y(是否给您贷款)，回归是决定能带给多少钱；2.目标：通过特征训练出数据模型，通过输入X(年龄和工资)来预测Y(是否给您贷款)；3. 方法：建立一个回归方程，Y=W1*X1(工资)+W2*X2(年龄)；W2是权重决定贡献度;4. 难点：无法用一个平面来满足所有数据点的拟合，只能尽可能找一个最好拟合数据的平面；5. 数学表达：用数据公司来表达拟合平面如下6. 主要是减小误差，而误差必须是针对独立同分布的方程来说的，要.

首先，介绍卷积：它经常用在信号处理中，用于计算信号的延迟累积。假设一个信号发生器每个时刻t产生一个信号xt ，其信息的衰减率为wk ，即在k−1个时间步长后，信息为原来的wk 倍，假设w1 = 1,w2 = 1/2,w3 = 1/4。时刻t收到的信号yt 为当前时刻产生的信息和以前时刻延迟信息的叠加。然后，介绍了一下卷积神经网络能做什么东西？首先，我们的卷积神经网络跟传统的网络它有什么区别？左边这个图看起来像是一个二维的，右边这个图看起来像是一个三维的，有没有这样的感觉？两边想输入的输入就是传统网的输.

先说明AI和深度学习的关系：人工智能是一个大圈，包括计算机视觉、自然人处理、数据挖掘等；叫什么叫机器学习？画一下小圈。什么叫深度学习？相当于深度学习也是机器学习当中一部分。深度学习它到底是做了一件什么事？就是深度学习神经网络不应该把它称之分为一种算法，应该当什么，应该当做一种特征提取的方法。在机器学习和数据挖掘或者其他任务当中，所有的智能任务最拼的是什么？最拼的其实并不是你的一个算法，是一个数据层面上，就像这个人，他要去做一桌好菜好饭，那没有一些好食材他能做出来吗？肯定也做不出来。这一点就跟大家说一点

1、志向志向，是一棵树的躯干，人生的价值何意义以及境界全是被志向所照亮的，没有志向就没有人生方向。郑板桥说：富贵足以愚人，贫贱足以立志。艰苦可以锻炼人，安逸可以消磨人，曾国藩33岁重新立志，在《礼记》中说，君子主敬曰强。陈胜吴广胸怀大志，发出了：燕雀安知鸿鹄之志的感慨。刘邦，本来劳动是他要做的平凡事情之一，但他在青年时期就“逃避劳动”，结识了萧何和曹参后，当上了泗水亭长。刘邦参加吕公家作贺时，囊肿如洗，却说贺万钱。显露出胸怀大志之人。刘邦见到秦始皇出行的那一刻开始，曰：“大丈夫当如此

YOLOV到底做了什么？YOLO核心思想把目标检测转变成一个回归问题。将整个图像作为网络的输入，仅仅经过一个神经网络，得到边界框的位置及其所属的类别。

人工智能机器学习（Mechine Learning）是实现人工智能的一种方法，机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测； 深度学习（Deep learning）又是机器学习的一种实现方式，他是模拟人神经网络的方式，用更多的层数，更多的神经元，然后给系统输入海量的数据，来训练网络； 统计学是机器学习和神经网络的一种基础知识，从传统分工来看，统计学一般是数学、统计等专业研究的方向，而机器学习是计算机科学的研究方向，但是目前大家的研究成果越来越殊途同归，有

自然语言处理涉及的几个层次？，答案（ ）形态学（morphology）：形态学（又称“词汇形态学”或“词法”）是语言学的一个分支，研究词的内部结构，包括屈折变化和构词法两个部分。由于词具有语音特征、句法特征和语义特征，形态学处于音位学、句法学和语义学的结合部位，所以形态学是每个语言学家都要关注的一门学科。 语法学（syntax）：研究句子结构成分之间的相互关系和组成句子序列的规则。其关注的中心是：为什么一句话可以这么说，也可以那么说？ 语义学（semantics）：语义学的研究对象是语言的各...

目录自然语言处理涉及的几个层次？nlp任务流程BERT适用场景BERT适合解决句子匹配类任务的原因BERT已经发布的框架包括BERT的主要贡献Transrofmer模型讲解注意力机制,sequence-to-sequence模型的主要瓶颈是需要将源序列的全部内容压缩为一个固定大小的向量。注意力机制通过允许解码器回头查看源序列隐藏状态来缓解这一问题，然后将其加权平均作为额外输入提供给解码器，attention时主要分为三步BERT的输入词向量是三个向量之和：实验的代码流

那么线性模型有什么优点和缺点呢？首先它简单，所以好理解，上线快，速度快，这是它典型的优点。尽管我们到了深度学习时代了，但事实上，很多公司还在用LR，因为它确实很好用。但它也有问题，我刚才讲了一句话：CTR模型的核心是特征组合，但是你从上图的公式里看不到任何特征组合的迹象：单个特征乘以权重，特征间的关系没有被考虑，这就是LR最大的一个缺点。线性模型有这个问题，它不能够捕获特征组合，所以要改造一下这个公式，把特征组合揉进来。特征组合要怎么组合？任意两个特征的组合，可以把一个特征组合当作一个新特征，但既然它是

1 绪论 20世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。...

从人工智能的技术突破和应用价值两维度分析，未来人工智能将会出现三个阶段：一阶段： 未来3-5年的服务智能阶段。机器始终作为人的辅助;在应用层面，人工智能拓展、整合多个垂直行业应用，丰富实用场景。随着数据和场景的增加，人工智能创造的价值呈现指数增长。二阶段：人工智能技术取得显著突破，如自然语言处理技术可以即时完全理解类人对话，甚至预测出“潜台词”。在技术创新的领域，现有的应用向...

知识图谱介绍知识概念图谱介：知识是认知，图是载体，数据是实现，结构化的数据进行关联形成了知识图谱知识图谱发展历程人工智能的发展介绍：5次重要的发展里程碑 认知智能的基础：海量行为数据的知识化（推理预测），既定知识的海量数据化（表示和存储） 知识工程的发展：一阶谓语表示； 知识的表示： 语义网介绍：语义网要解决对Web内容增加语义后提供查询功能。 语义网到知识图谱：抽取网页内容后，得...

第一部分：概论本文主要分为三个部分。第一个部分介绍我们为什么需要知识图谱，第二个部分介绍知识图谱的相关概念及其形式化表示。最后，作一个简单的总结，并介绍该专栏后续文章会涉及的内容。一、看到的不仅仅是字符串当你看见下面这一串文本你会联想到什么？Ronaldo Luís Nazário de Lima估计绝大多数中国人不明白上面的文本代表什么意思。没关系，我们看看它对应的...

知识图谱知识图谱 (Knowledge Graph)是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”，实体和关系又有其自身的“属性”。实体、关系和属性构成知识图谱的核心三要素。概述知识图谱本质上是语义网络（Semantic Network)。目前知识图谱这个概念最早由Google在20...

人工智能（Artificial Intelligence）是一个大的概念，是让机器像人一样思考甚至超越人类；机器学习（Mechine Learning）是实现人工智能的一种方法，机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测；深度学习（Deep learning）又是机器学习的一种实现方式，他是模拟人神经网络的方式，用更多的层数，更多的神经元，然...

图像识别的过程总结如下：信息的获取：是通过传感器，将光或声音等信息转化为电信息。信息可以是二维的图象如文字，图象等；可以是一维的波形如声波，心电图，脑电图；也可以是物理量与逻辑值。 预处理：包括A\D,二值化，图象的平滑，变换，增强，恢复，滤波等, 主要指图象处理。 特征抽取和选择：在模式识别中，需要进行特征的抽取和选择，例如，一幅64x64的图象可以得到4096个数据，这种在测量空间的原...

 卷积神经网络CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实...

import osimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2' # 只显示 warning 和 Error x_data = np.linspace(0, 1, 200)[:, np.newaxi...

看了很多书，也实战了，但是总想用通俗的语言来讲述一下CNN处理的过程，今天我有幸和大家分享一下。首先，卷积神经网络就是至少包含一层的神经网络，该层的功能是：计算输入f与可配置的卷积核g的卷积，生成输出。卷积的目的就是把卷积核应用到某个张量的所有点上，通过卷积核的滑动生成新的滤波后的张量。卷积的价值在于对输入降维能力，通过降维改变卷积核的跨度strides参数实现。设置跨度是调整输入张量维数的方...

CNN到底是怎么识别的？用CNN有哪些优势呢？我下面就来简单分析一下。为什么要用神经网络？对于同一个分类任务，我们可以用机器学习的算法来做，为什么要用神经网络呢？大家回顾一下，一个分类任务，我们在用机器学习算法来做时，首先要明确feature和label，然后把这个数据"灌"到算法里去训练，最后保存模型，再来预测分类的准确性。但是这就有个问题，即我们需要实现确定好特征，每一个特征即为一个维.........

机器人具备三大核心技术：自然语言处理、自主意识及自主导航。 自然语言处理 机器人采用基于深度学习算法的自然语言处理技术，设计一个语音识别处理引擎，使机器人可以理解人的语言，并且根据知识库的内容，针对人提出的问题，通过语音的方式回答。自主意识为使其像人类一样思考，机器人模拟人类的思维模式，接收外界信息后，能够以人类智能相似的方式做出反应，建立机器人的自我意识，与用户进行语音交流，使用户消除人...

   “人工智能”被写入2017年政府工作报告，智能革命时代先行者李开复解读AI如何重塑个人、商业与社会的未来图谱。2017年5月文化发展出版社出版图书。《人工智能》这本书其实就是告诉我们：个人应该做些什么，才能避免被AI取代？企业应该如何升级，才能在新的商业变局到来前抓住先机？        人工智能时代，程式化的、重复性的、仅靠记忆与练习就可以掌握的技能将是最没有价值的技能，几乎一定可...

1.构建基本数据流图2.修改为张量描述图import tensorflow as tfa= tf.constants([5,3],name="imput_a")b= tf.reduce_prod(a,,name="prod_b")c= tf.reduce_sum(a,name="sum_c")d= tf.add(c,d,name="add_d")数学实例 ...

    TensorFlow 是一个开源机器学习框架，具有快速、灵活并适合产品级大规模应用等特点，让每个开发者和研究者都能方便地使用人工智能来解决多样化的挑战。TensorFlow能够让你直接解决各种机器学习任务。目标就是在一般情况下，无论你遇到什么问题，TensorFlow都可以在一定程度上提供API的支持。问题：判断一张图片中包含的是猫还是狗。这用传统的编程方法很难甚至不可能解决。因为...

TensorFlow 深度学习框架安装安装Python环境，TensorFlow支持Python3.5.x和Python3.6.x版本，可通过Anaconda软件安装，建议选择默认安装路径（C:\ProgramData\Anaconda3）。Anaconda集成了大部分常用的科学计算方面的python库，非常强大； 安装TensorFlow库，官方建议使用pip install –upgra...

区块链技术，别称：分布式账本，最早是比特币的基础技术，目前世界各地均在研究，可广泛应用于金融等各领域。区块链是什么？2008年中本聪发表的论文《比特币：一种点对点的电子现金系统》。文章提出，希望可以创建一套新型的电子支付系统，这套系统“基于密码学原理而不是基于信用，使得任何达成一致的双方能够直接进行支付，从而不需要第三方中介参与”。2009年1月3日，区块链的第一个区块诞生，该区块又名“创世...

多任务卷积神经网络(MTCNN)实现人脸检测与对齐是在一个网络里实现了人脸检测与五点标定的模型，主要是通过CNN模型级联实现了多任务学习网络。整个模型分为三个阶段，第一阶段通过一个浅层的CNN网络快速产生一系列的候选窗口；第二阶段通过一个能力更强的CNN网络过滤掉绝大部分非人脸候选窗口；第三阶段通过一个能力更加强的网络找到人脸上面的五个标记点；完整的MTCNN模型级联如下：该模型的特征跟HAA...

与传统机器学习相比，深度学习是从数据中学习，而大模型则是通过使用大量的模型来训练数据。深度学习可以处理任何类型的数据，例如图片、文本等等；但是这些数据很难用机器完成。大模型可以训练更多类别、多个级别的模型，因此可以处理更广泛的类型。