精华内容
下载资源
问答
  • 2014年1月16日由新北市政府主办的3D打印技术与创新说明会,马路科技受邀与会,除了提供最新的3D打印技术资源服务外,并分享3D打印技术与传统产业的成功经验。 在新北市3D打印研讨会上,主办单位大量引用马路科技的...

     

     translation company

    2014年1月16日由新北市政府主办的3D打印技术与创新说明会,马路科技受邀与会,除了提供最新的3D打印技术资源服务外,并分享3D打印技术与传统产业的成功经验。

    在新北市3D打印研讨会上,主办单位大量引用马路科技的成功案例为例,如野柳女王头的3D扫描结合3D打印技术,可用于学术研究、文化保存与数字典藏之目的。此外,象征本土文化的布袋戏如何与3D打印技术结合,也是现场瞩目的焦点。檔案架

    马路科技在现场的摊位上,不仅展示多款3D打印设计商品,也将ATOS Core 3D扫描设备带入会展上,并且邀请民众将自己的人像数据扫描数字化,立即引起新北市市长朱立伦与在场业者的高度兴趣。

    近几年3D打印技术发展迅速,马路科技以自身18年的产业经验,整合3D打印与3D描技术有成,并且沿伸应用于产品设计、模具设计、模具制造与制造生产上,是业界最具代表性的3D科技公司。

    转载于:https://www.cnblogs.com/cindyrat/p/3534252.html

    展开全文
  • 以下通过具体的创业故事和案例来分别说说这五种创业行为,从这5个创业案例也许您大致可以把握自己创业的原则,知道如何开始自己的创业成功之路。   一、边打工边创业 这种方式一般是利用自己的专业经验和...
    如果从行为方式和发展空间上来分,有些成功人士把个人创业行为分为边打工边创业、依靠商品市场创业、在大卖场租个场地创业、加盟连锁创业以及工作室创业这五种方式。以下通过具体的创业故事和案例来分别说说这五种创业行为,从这5个创业案例也许您大致可以把握自己创业的原则,知道如何开始自己的创业成功之路。
     


    一、边打工边创业
    这种方式一般是利用自己的专业经验和在自身的厂商资源在上班时间外进行创业尝试和增加收入,好处是没有任何风险,但应该处理好本职工作与创业的关系。
    A先生是某服装企业采购,从事了几年的采购工作后颇有心得,对服装有了一定的敏感并熟悉各种服装加工企业,由于服装企业现在很多是虚拟经营,即便是我们熟悉的知名品牌(如班尼路、美特斯邦威)也只是负责产品设计,本身并不设厂,设计出衣服样式后找服装厂加工制成成衣,然后加上品牌标识发往全国的零售终端,现在A先生就经常接一些“私活”,客户提供样式,然后A先生负责采购面料和找加工厂,最后交付成衣。一单下来少的几千,多则几万,的确非常惬意。这种方式的好处是没有风险,自己在有固定收入的同时可以创造更多价值。
    可能有人认为此方法欠妥,有对公司不忠的嫌疑,我认为只要掌握一个度该方法还是非常可行的,利用闲暇时间去开拓自己的事业并且增加收入也无可厚非。
     
    创业经验分享和建议:
    1、应该知道自己发展的主次,在企业打工除了养家糊口也是个人能力和资历的增长,因此重心是完成好本职工作,推进个人能力和职业发展的进程。
    2、保持以下尺度,客户不要是你打工企业的竞争对手;不要占用任何上班时间,那个时间属于为你提供薪水的公司;不泄露任何公司的商业秘密。保持自己的职业操守和信用对将来个人发展有不可估量的作用。
     
    二、依靠商品市场创业
    专业的商品市场,(比如眼镜批发市尝服装批发市场等)都会为租户代办个体工商执照,只需一次性投入半年或一年租金,以及店内货品的进货费,所以投入在3、5万以内。只要依靠人气旺盛的商品市场,风险也比较小,在调查中我们发现很多温州人起家就是从商品市场做起来的。
    B小姐以前是服装设计师,后来从服装公司辞职后自己创业,转租别人的带照商户,(现在有很多商品市场可以买、可以租,有些人买下后通过出租赢利,并且经营的证照齐全)在一家服装市场中经营批发零售业务,凭借自身的设计能力和多年的行业经验,B小姐自己设计,找服装厂加工成衣后在自己的店铺内销售。目前销售良好,已经开出了第二家分店。
     
    创业经验分享和建议:
    1、一定要找人气旺的市场,可能比起经营较差的市场租金要高,可是人流量是该商品市场内你的小店存活的最基本条件。
    2、同样的市场也有生意好和差的区别,因此需要你对自己经营的产品比较熟悉。(例如熟悉该类商品的消费者喜好;熟悉该商品的进货渠道,能以更低价格进货等等)
     
    三、在大卖场租个场地创业
    这种方式有点类似代理销售,不过必须眼光独到,风险比较大一点,但是回报也是非常可观。这种方式比较适合有营销经验的人员采用。
    C先生出差X市发现松子在当地价格比较便宜,回来后就经过简单调查就发现本地松子很少有人销售,而且价格昂贵,因此C先生在春节前很早就到X市订购了一批松子,并且在本地人流最大的家乐福争取到了进门的一块场地,春节期间开始用大缸装着松子进行销售,这一个月下来是宁人瞠目结舌的30万利润。
     
    创业经验分享和建议:
    1、用你所代理或销售产品的生产厂家相关证明(卫生许可证、厂商证明等)同卖场的办理手续。否则不能进常
    2、风险比较大,一定要对市场行情有所把握,并且注意产品的销售季节和保质期。(有人从外地批水果到卖场销售,运输途中耽搁了一下,结果很多没卖完就烂掉了。
    3、考虑本地人对该产品的接受程度,最好做个有个简单的调查。(有些东西尽管本地是很少销售,但是可能不一定适合本地口味,例如有的商家曾经在一些城市推广槟榔,但是当地的人并不习惯槟榔的口味,因而失败。)
     
    四、加盟连锁创业
    现在有很多小的饰品店,冷饮店等加盟的费用不高,但是选对的店铺和产品还是很赚钱,加盟连锁一定要看准,并且早点介入成功的可能性比较大。D小姐在某市加盟石头记饰品连锁店,由于当时次类产品市场上比较少见,属于竞争少,利润高的行业,因此短短两年就赚了接近百万,等到各种饰品连锁店低价竞争时,她早就关门转行,开了一家眼镜店。再如加盟有实力的房产中介公司,自己只需要租个门面,有简单的电话、桌椅等设备就可以开展业务,房源信息来自售房户、出租户在中介公司的免费登记,你可以在小区的信箱内投递一些征求房源的信息,由于房源信息登记是免费的,所以很快你能找到一些房源信息,接下来通过门市会有求购、求租的客户上门,你提供信息、并带领看房,双方成交时,出租户和租房者各支付月租金的30%作为佣金,一笔月租2000元的项目中介成功就可以获得1200元,非常可观,操作也很简单。
     
    创业经验分享和建议:
    1、选择行业门槛低但回报高的产业,例如房产中介。
    2、选择新兴产品,一旦竞争产品增多,营业额下降时,立即转向。如以前的小饰品店等。
    3、整个投资不宜过大,找利润高,投入少的小产品加盟,没有经验的人切忌加盟大的连锁项目,没有一定的经营经验注定失败,千万别太相信加盟企业的“无经验”一样经营,“全程营销辅导”的谎言。
     
    五、工作室创业
    E先生与F小姐都是设计专业的出身,在广告公司打工几年后想自主创业,他们一起开办一家设计工作室,工作室的好处是手续简便,正规点到工商局登记就可以了,有些工作室实际无须办理任何手续,也没有办公场地的费用支出,在家“生产”即可。他们主动到出版社、学校、印刷厂等机构联系,由于工作室除了设计用的纸张和油墨外几乎没有其他成本,因而服务价格相当具有竞争力,再加上多年的设计经验,无论手绘和电脑设计都让客户比较满意,因此现在业务越做越大,几年下来已经买了属于自己房产和汽车。再有G小姐对时尚饰品比较有兴趣,自己买了许多珠子、贝壳、绳子等,在家开了工作室,专门创作手工饰品然后买给饰品店,现在她的手工饰品已经小有名气,供不应求。
     
    创业经验分享和建议:
    1、个人要有比较好的专业技能,因为性价比是你在市场中胜出的关键,价格再便宜作品让人不满意也不可能维持经营。
    2、刚开始必须通过各种关系,主动开展业务,同一些有需求的客户挂上钩你才能将自己的作品卖出去。以上的创业模式只是个人低成本创业的最简单模式,由于风险小,投入少而适合普通的创业人群,但需要强调的是任何创业行为都会存在一定风险,在创业前进行创业前的系统分析以及针对性的知识补充、能力培训等将大大提创业的成功几率。
    展开全文
  • 所谓实践出真知,抛开网络上纸上谈兵的“老用户召回策略”经验分享鸡汤文,我们上周在自己的产品上策划实施了一次“流失用户召回”活动,用最传统的发送短信方式以及不到6000元的低成本,成功召回3万多已流失用户。...
  • AI经验采集分享

    2019-05-21 10:23:23
    以下,整理精选了三个特别典型的普通程序员成功转型AI的案例,也是知乎上点赞量相当高的案例: 第一案例为普通程序员,经过六个月从接触机器学习到颇有心得的切身体会。 第二个案例为只懂 ACM 竞赛相关算法的...

    动辄50万的毕业生年薪,动辄100万起步价的海归AI高级人才,普通员到底应不应该转型AI工程师,普通程序员到底应该如何转型AI工程师?

    以下,整理精选了三个特别典型的普通程序员成功转型AI的案例,也是知乎上点赞量相当高的案例:

     

    第一案例为普通程序员,经过六个月从接触机器学习到颇有心得的切身体会。

     

    第二个案例为只懂 ACM 竞赛相关算法的普通程序员,误打误撞接触到了数据挖掘,之后开始系统地了解机器学习相关的知识,如今已经基本走上了数据科学家之路的经验分享。

     

    第三个案例为其他行业的普通程序员,具有计算机专业的人所没有的专业知识和行业大数据,他们只是想把深度学习和神经网络当作工具,知道它们能做什么,如何去做。这类程序员经过4个月的转型学习,他们的经验和体会。

     

    你是属于哪类程序员呢?他们的经验你又是否能用上呢?

     

    本文的案例来自知乎,已向相关作者申请转载来源。

     

     

    案例一

     

    作者 | 子实(某科研院程序员)

     

     

    本人码农,从六月开始正式接触机器学习(其实五年前的本科毕设就是在生物信息领域应用神经网络的项目,但是非常浅薄),深吸一口气,先要声明“人之患在好为人师”,我用的步骤只是适合我,下面的内容仅供参考。

     

    第一步:复习线性代数。(学渣的线代忘了好多-_-||)

     

    懒得看书就直接用了著名的——麻省理工公开课:线性代数,深入浅出效果拔群,以后会用到的SVD、希尔伯特空间等都有介绍 - http://open.163.com/special/opencourse/daishu.html

     

    广告:边看边总结了一套笔记 GitHub - zlotus/notes-linear-algebra: 线性代数笔记 - https://github.com/zlotus/notes-linear-algebra

     

    第二步:入门机器学习算法。

     

    还是因为比较懒,也就直接用了著名的——斯坦福大学公开课 :机器学习课程(http://open.163.com/special/opencourse/machinelearning.html),吴恩达教授的老版cs229的视频,讲的非常细(算法的目标->数学推演->伪代码)。这套教程唯一的缺点在于没有介绍最近大火的神经网络,但其实这也算是优点,让我明白了算法都有各自的应用领域,并不是所有问题都需要用神经网络来解决。

     

    多说一点,这个课程里详细介绍的内容有:一般线性模型、高斯系列模型、SVM理论及实现、聚类算法以及EM算法的各种相关应用、PCA/ICA、学习理论、马尔可夫系列模型。课堂笔记在:CS 229: Machine Learning (Course handouts) -http://cs229.stanford.edu/syllabus.html,同样非常详细。

     

    广告:边看边总结了一套笔记 GitHub - zlotus/notes-LSJU-machine-learning: 机器学习笔记 - https://github.com/zlotus/notes-LSJU-machine-learning

     

    第三步:尝试用代码实现算法。

     

    依然因为比较懒,继续直接使用了著名的——机器学习 | Coursera(https://www.coursera.org/learn/machine-learning),还是吴恩达教授的课程,只不过这个是极简版的cs229,几乎就是教怎么在matlab里快速实现一个模型(这套教程里有神经网络基本概念及实现)。这套课程的缺点是难度比较低,推导过程非常简略,但是这也是它的优点——让我专注于把理论转化成代码。

     

    广告:作业参考 GitHub - zlotus/Coursera_Machine_Learning_Exercises: Machine Learning by Andrew Ng from Coursera(https://github.com/zlotus/Coursera_Machine_Learning_Exercises)

     

    第四步:自己实现功能完整的模型——进行中。

     

    还是因为比较懒,搜到了cs231n的课程视频 CS231n Winter 2016 - YouTube(https://www.youtube.com/playlist?list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC) ,李飞飞教授的课,主讲还有Andrej Karpathy和Justin Johnson,主要介绍卷积神经网络在图像识别/机器视觉领域的应用(前面神经网络的代码没写够?这门课包你嗨到爆~到处都是从零手写~)。这门课程的作业就更贴心了,直接用Jupyter Notebook布置的,可以本地运行并自己检查错误。主要使用Python以及Python系列的科学计算库(Scipy/Numpy/Matplotlib)。课堂笔记的翻译可以参考 智能单元 - 知乎专栏(https://zhuanlan.zhihu.com/p/22339097),主要由知友杜客翻译,写的非常好~

     

    在多说一点,这门课对程序员来说比较走心,因为这个不像上一步中用matlab实现的作业那样偏向算法和模型,这门课用Python实现的模型同时注重软件工程,包括常见的封装layer的forward/backward、自定义组合layer、如何将layer组成网络、如何在网络中集成batch-normalization及dropout等功能、如何在复杂模型下做梯度检查等等;最后一个作业中还有手动实现RNN及其基友LSTM、编写有助于调试的CNN可视化功能、Google的DeepDream等等。(做完作业基本就可以看懂现在流行的各种图片风格变换程序了,如 cysmith/neural-style-tf - https://github.com/cysmith/neural-style-tf)另外,这门课的作业实现非常推崇computational graph,不知道是不是我的幻觉……要注意的是讲师A.K的语速奇快无比,好在YouTube有自动生成解说词的功能,准确率还不错,可以当字幕看。

     

    广告:作业参考 GitHub - zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (winter 2016) - https://github.com/zlotus/cs231n,(我的在作业的notebook上加了一些推导演算哦~可以用来参考:D)

     

    因为最近手头有论文要撕,时间比较紧,第四步做完就先告一段落。后面打算做继续业界传奇Geoffrey Hinton教授的Neural Networks for Machine Learning | Coursera(https://www.coursera.org/learn/neural-networks),再看看NLP的课程 Stanford University CS224d: Deep Learning for Natural Language Processing(http://cs224d.stanford.edu),先把基础补完,然后在东瞅瞅西逛逛看看有什么好玩的……

     

    PS:一直没提诸如TensorFlow之类的神器,早就装了一个(可以直接在conda中为Tensorflow新建一个env,然后再装上Jupyter、sklearn等常用的库,把这些在学习和实践ML时所用到的库都放在一个环境下管理,会方便很多),然而一直没时间学习使用,还是打算先忍着把基础部分看完,抖M总是喜欢把最好的留在最后一个人偷偷享受2333333(手动奸笑

    PS**2:关于用到的系统性知识,主要有:

     

    线性代数,非常重要,模型计算全靠它~一定要复习扎实,如果平常不用可能忘的比较多;

     

    高数+概率,这俩只要掌握基础就行了,比如积分和求导、各种分布、参数估计等等。(评论中有知友提到概率与数理统计的重要性,我举四肢赞成,因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的,参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作,概统是核心课程,没有之一。答主这里想要说的是,当拿到现成的算法时,仅需要概率基础知识就能看懂,然后需要比较多的线代知识才能让模型高效的跑起来。比如最近做卷积的作业, 我手写的比作业里给出的带各种trick的fast函数慢几个数量级,作业还安慰我不要在意效率,岂可修!)

     

    需要用到的编程知识也就是Matlab和Numpy了吧,Matlab是可以现学现卖的;至于Python,就看题主想用来做什么了,如果就是用来做机器学习,完全可以一天入门,如果想要做更多好玩的事,一天不行那就两天。(贴一个Python/Numpy的简要教程:Python Numpy Tutorial - http://cs231n.github.io/python-numpy-tutorial/,是cs231n的课堂福利。)

     

    我感觉机器学习的先修就这么点,记得Adobe的冯东大神也说过机器学习简直是21世界的黑科技——因为理论非常简单但是效果惊人的好。

    ====

    既然提到好玩的,墙裂推荐 Kaggle: Your Home for Data Science(https://www.kaggle.com) ,引用维基上的介绍:

     

    Kaggle是一个数据建模和数据分析竞赛平台。企业和研究者可在其上发布数据,统计学者和数据挖掘专家可在其上进行竞赛以产生最好的模型。这一众包模式依赖于这一事实,即有众多策略可以用于解决几乎所有预测建模的问题,而研究者不可能在一开始就了解什么方法对于特定问题是最为有效的。Kaggle的目标则是试图通过众包的形式来解决这一难题,进而使数据科学成为一场运动。

     

    原文:https://www.zhihu.com/question/51039416/answer/126821822

     

     

    案例二

     

    作者 | SimonS

     

     

    我曾经也只是一个只懂 ACM 竞赛相关算法的普通程序员,误打误撞接触到了数据挖掘,之后才开始系统地了解机器学习相关的知识,如今已经基本走上了正轨,开始了走向 Data Scientist 的征途。

     

    首先作为一个普通程序员,C++ / Java / Python 这样的语言技能栈应该是必不可少的,其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用,主要是:

     

    可以参考:怎么用最短时间高效而踏实地学习 Python?-https://www.zhihu.com/question/28530832/answer/41170900

     

     

    如果日常只编写增删改查的代码的话,那可能数学已经忘得差不多了,需要重温线性代数和微积分的基础知识,这会为之后的学习立下汗马功劳。

     

    再然后就是统计学相关基础:我在知乎专栏——BI学习大纲中写过,贴过来仅供参考:https://zhuanlan.zhihu.com/p/22543073

     

    相关性分析(相关系数r、皮尔逊相关系数、余弦相似度、互信息)

     

    • 回归分析(线性回归、L1/L2正则、PCA/LDA降维)

    • 聚类分析(K-Means)

    • 分布(正态分布、t分布、密度函数)

    • 指标(协方差、ROC曲线、AUC、变异系数、F1-Score)

    • 显著性检验(t检验、z检验、卡方检验)

    • A/B测试

     

    推荐阅读:李航 —《统计学习方法》

     

    如果以上知识都具备了,再往后的路就可以开得很快了,可以一直冲刺到 Deep Learning。但在这之前我们还是需要了解不少机器学习的基础:

     

    • 关联规则(Apriori、FP-Growth)

    • 回归(Linear Regression、Logistics Regression)

    • 决策树(ID3、C4.5、CART、GBDT、RandomForest)

    • SVM(各种核函数)

    • 推荐(User-CF、Item-CF)

     

    推荐阅读:《集体智慧编程》、Andrew Ng — Machine Learning Coursera from Stanford

    此时的你或许已经有一块可以用的敲门砖了,但离工业界实际应用还有比较大的距离,主要差距就在于 Feature Engineering,这也是我在面试考察有经验的人面前比较注重的点。这一块中有一些比较基础的知识点,简单罗列如下:

     

    • 可用性评估:获取难度、覆盖率、准确率

    • 特征清洗:清洗异常样本

    • 采样:数据不均衡、样本权重

    • 单个特征:无量纲化(标准化、归一化)、二值化、离散化、缺失值(均值)、哑编码(一个定性特征扩展为N个定量特征)

    • 数据变换:log、指数、Box-Cox

    • 降维:主成分分析PCA、线性判别分析LDA、SVD分解

    • 特征选择:Filter(相关系数、卡方检验)、Wrapper(AUC、设计评价函数A*、Embedded(L1-Lasso、L2-Ridge、决策树、DL)

    • 衍生变量:组合特征

    • 特征监控:监控重要特征,fa特征质量下降

     

    我放一张公司内部算法培训关于特征工程的 PPT,仅供学习参考:

     

    再往后你就可以在技能树上点几个酷炫的了:

    • 提升

      • Adaboost

      • 加法模型

      • xgboost

    • SVM

      • 软间隔

      • 损失函数

      • 核函数

      • SMO算法

      • libSVM

    • 聚类

      • K-Means

      • 并查集

      • K-Medoids

      • 聚谱类SC

    • EM算法

      • Jensen不等式

      • 混合高斯分布

      • pLSA

    • 主题模型

      • 共轭先验分布

      • 贝叶斯

      • 停止词和高频词

      • TF-IDF

    • 词向量

      • word2vec

      • n-gram

    • HMM

      • 前向/后向算法

      • Baum-Welch

      • Viterbi

      • 中文分词

    • 数据计算平台

      • Spark

      • Caffe

      • Tensorflow

     

    推荐阅读:周志华——《机器学习》

     

    可以看到,不管你是用 TensorFlow 还是用 Caffe 还是用 MXNET 等等一系列平台来做高大上的 Deep Learning,在我看来都是次要的。想要在这个行业长久地活下去,内功的修炼要比外功重要得多,不然会活得很累,也很难获得一个优秀的晋升空间。

     

    最后,关注你所在行业的最新 paper,对最近的算法理论体系发展有一个大致印象,譬如计算广告领域的几大经典问题:

     

    相关 paper 的 gitlist 仅供参考:wnzhang/rtb-papers - https://github.com/wnzhang/rtb-papers

     

    最最后,也要时刻关注能帮你偷懒的工具,它将让你拥有更多的时间去调参: Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱 - Python - 伯乐在线 - http://python.jobbole.com/81153/

     

    原文链接:https://www.zhihu.com/question/51039416/answer/126821822

     

     

    案例三

     

    作者 | hahakity

     

    说说我学习深度学习的经历吧,从开始学习到现在大概有4个月,刚好可以回答新手问题。

     

    先说编程:自认会用C++, 熟悉Python

     

    英语水平:中等,能很快读懂英文科学文献

     

    最开始对人工智能/深度学习感兴趣是因为想用它试一试自然语言生成,后来想到一个物理方面的题目,预计可以用深度学习技术解决,开始接触深度神经网络。记录一下学习历程,

     

    1. 安装 Tensorflow(google 开源的深度学习程序), 尝试里面最简单的例子MNIST 获得激励。

     

    2. 之后尝试通过读书(看视频)理解最简单的全连接神经网络

     

    先搜索找到答案:为什么要Go Deep?

     

    (1) 神经网络中输入层,隐藏层,输出层之间矩阵乘积的维度变化。

     

    (2) Weight, Bias 这些是什么,改变它们有什么结果。

     

    (3) 激励函数是什么,有什么作用,有哪些常用的激励函数

     

    (4)误差如何向后传递,网络如何通过最小化误差函数更新,有哪些常用的优化方法

     

    以上这些在一本交互式电子书中可以找到答案:

    Neural networks and deep learning

    https://link.zhihu.com/?target=http%3A//neuralnetworksanddeeplearning.com/index.html

     

    (5) 如何对权重正规化,L1, L2, BatchNormalization, (这些在以后真正应用的时候再看)

     

    • Deep Learning chapter 7 for L1, L2 regulation.

    • http://www.deeplearningbook.org

    • Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift (2015) original paper for BN

    • https://arxiv.org/abs/1502.03167

    • why does batch normalization help? Quora

    • https://www.quora.com/Why-does-batch-normalization-help

    • Note for BN in Chinese

    • http://blog.csdn.net/happynear/article/details/44238541

    • Implementing Batch Normalization in Tensorflow from R2RT

    • https://r2rt.com/implementing-batch-normalization-in-tensorflow.html

    • Layer normalization (2016) Replace Batch Normalization in RNN

    • https://arxiv.org/pdf/1607.06450v1.pdf

    • Why Does Unsupervised Pre-training Help Deep Learning?

    • http://www.jmlr.org/papers/volume11/erhan10a/erhan10a.pdf

    • Summary and discussion on pre training

    • http://www.stat.cmu.edu/~ryantibs/journalclub/deep.pdf

     

    3. 选择一种比较比较底层的神经网络开源库,tensorflow 或 theano

     

    (1) 读官方文档 https://www.tensorflow.org/versions/r0.11/tutorials/index.html

    https://www.tensorflow.org/tutorials/

    (2) 看周莫凡的网络教程 https://www.youtube.com/user/MorvanZhou

    https://www.youtube.com/user/MorvanZhou

    (3) 重复敲代码,重复实现例子程序

     

    4. 开始理解各种不同神经网络架构所能处理的问题

     

    1. CNN 图像识别,图像处理,语音处理

    2. RNN,LSTM 自然语言理解与生成

    3. 增强学习,玩游戏 

     

    5. 尝试各种开源的有意思的神经网络项目,新手可以从下面这个列表开始

     

    1. Andrej Karpathy blog char-rnn, Deep Reinforcement Learning: Pong from Pixels- http://karpathy.github.io

    2. Neural Style In tensorflow - https://github.com/anishathalye/neural-style

     

    6. 如果能翻墙,注册 twitter, facebook 账号,follow 那些文章中经常出现的大牛的名字。他们每天提供很多新动向及最新技术,很多时候有很 Fancy的应用。试试从这个大牛follow的人开始follow - https://twitter.com/karpathy

     

    当你对这些都很熟悉的时候,开始阅读艰深的文献:

     

    1. CNN 的原始文献

    2. RNN 和 LSTM 的原始文献

    3. Reinforcement Learning 的原始文献

    4. Google DeepMind 发表在 Nature 上的几篇经典

     

    最后推荐一个高级点的库: Keras Documentation - https://keras.io

     

    虽然这个库还在发展阶段,里面仍有不少bug,但前途不可限量,可以很容易实现你之前读文章时候见到的那些复杂的构架。作为例子,这里有个教程:

     

    Deep learning book in ipython-notebook and Keras Many example code in Keras - http://ml4a.github.io/guides/

     

    这些学习历程中遇到的资料都记录在了我的个人note里,希望大家共勉:

    http://web-docs.gsi.de/~lpang/ - http://web-docs.gsi.de/~lpang/

     

    最后强调一个最最重要的事情:要有自己的想法,有将这种新技术用到自己项目中的强烈愿望,从开始就要Coding,不断尝试才能不断进步。

     

    (看了很多其他的回答,在这里想补充一段)

     

    说实话,作为一个其他行业(物理,工程,化学,医学,农业,卫星地图识别,网络安全领域,社会科学)的普通程序员,在本行业有比较深的理论和实验背景,能接触到海量数据(无论是传感器数据,互联网数据还是蒙特卡洛模拟数据),想做处一些创新性,交叉性的工作,这一轮人工智能的风绝对是要跟的。

     

    作为一个计算机专业的人,可能觉得机器学习,人工智能,深度学习已经炒的过热了。但是对于其他领域,可能大部分人还没有想到把最基本的机器学习算法如:PCA,SVM,k-means...运用到本行业积累的大数据上, 更不要说最近的深度学习。

     

    作为其他行业的普通程序员(除了数学与理论物理),我们不要指望从理论上彻底解决深度学习现存的问题。我们的优势不在这里,我们的优势是计算机专业的人所没有的专业知识,行业大数据。我们需要做的是把机器学习,深度神经网络当作工具,知道它们能做什么,如何去做。参考Andrew Ng 的机器学习笔记:Machine Learning - complete course notes - http://www.holehouse.org/mlclass/

     

    举几个简单的例子:

     

    1. 使用深度学习中生成风格化图片的技术,制备具有特定功能的抗癌药物

    The cornucopia of meaningful leads: Applying deep adversarial autoencoders for new molecule development in oncology - http://www.oncotarget.com/index.php?journal=oncotarget&page=article&op=view&path%5B%5D=14073&path%5B%5D=44886

     

    2. 使用反常探测,寻找网络攻击 Cyber-attacks prediction

     

    3. 对于国家来说,更加聪明的互联网关键词过滤

     

    4. 自动探测卫星地图上道路,建筑,车辆,河流。

     

    5. 环境科学中寻找雾霾与众多可能因素的非线性关联

     

    安利我们最近放到预印文本库的文章,

     

    我们用卷积神经网络来区分量子色动力学相变是crossover还是一阶相变。

     

     

     

    paper: https://arxiv.org/pdf/1612.04262.pdf

    talk: http://starmeetings.physics.ucla.edu/sites/default/files/pang.pdf

     

    原文:https://www.zhihu.com/question/51039416/answer/126717678

    展开全文
  • ”研究如何失败,经常比研究如何成功更让人醍醐灌顶。6月7日,在“2019东京RPA数字世界”活动上,日本最大招聘网站运营商DIP的执行干事进藤圭,就分享了他在RPA导入过程中的失败经验及教训。 进藤圭 1.员工一时半...

    巴菲特的合伙人查理•芒格,在分享他受用一生的思维方式时,有一个非常著名的“逆向思维“理论:“我只想知道我将来会死在什么地方,这样我就永远不去那里了。”研究如何失败,经常比研究如何成功更让人醍醐灌顶。6月7日,在“2019东京RPA数字世界”活动上,日本最大招聘网站运营商DIP的执行干事进藤圭,就分享了他在RPA导入过程中的失败经验及教训。
    在这里插入图片描述
    进藤圭
    1.员工一时半会儿接受不了RPARPA导入失败,大多并不是技术问题,而是人的问题。首先,要让员工接受RPA,意识到RPA是工作中的得力小帮手。许多员工对RPA不了解,一时接受不了。即使领导在会上反复地说“RPA”和“AI”,有些员工的反应仍是“RPA是啥?RAP吗?”“那AI就是歌手咯?”(哭笑不得) 在这里插入图片描述

    3.照着葫芦画瓢,不一定会成功导入RPA前,了解参考其他公司的成功案例是好事。但若是在没有充分验证的情况下,依葫芦画瓢,导入了不适用于自己公司的RPA,就可能会搞砸。“例如,公司内部要通过导入RPA的提案或申请,就必须讨论成功案例。然而,对公司而言,这些成功案例是有别于自身环境的其他公司的案例。应该在考察业务流程、预算等基础上,为公司选择合适的RPA产品。”进藤圭说。 因此,选择适合公司需求和经营状况的RPA产品十分重要。
    怎么和员工解释比较好呢?进藤圭推荐用大家都知道的词汇,例如:“业务流程改善”。 2.一股脑儿地将RPA导入所有业务中为了推进全公司的工作方式改革,DIP曾试着在所有投资回报率(ROI)高的业务流程中都导入RPA。遗憾的是,结果并不如人意。半年之后,项目还是没有出成果,不仅耽误了业务进度,工作方式改革也停滞了。领导层坐不住了,网站业务员也向进藤圭投来异样的目光。“一股脑儿地开展大项目,问题就出来了。直到过了许久都看不到成果,也无法对结果进行评估。”进藤圭说。于是,他痛定思痛,从小处入手,使用RPA更新网站上的招聘信息。以前,DIP网上全靠人工定期确认每个公司的招聘信息。如今,这项工作交给了RPA:检查招聘信息是否更新,一旦更新就发短信通知。机器人只要3~5分钟就能完成任务,而且肯定不会失败。虽是微不足道的小流程,但对管理者和业务员来说,成果显而易见。小流程导入RPA的好处是:不仅能马上出成果,还没改变原先的工作流程,导入过程也顺畅许多。进藤圭表示,所有业务流程都导入RPA,消耗太大了。先从小流程着手,等业务员有意识后再逐步导入,这就是诀窍。RPA部署有成果后,领导一时兴起,“全部业务都交给RPA吧”。这时,进藤圭泼了盆冷水,“不必用机器人取代所有的操作。因为 RPA 只是改善业务的方式之一。”
    在这里插入图片描述

    展开全文
  • 这篇文章我将结合我的经验跟大家聊聊如何快速打造自己成为一个优秀的设计师。 “难”这个字眼在我的培训生涯当中,几乎是每分钟都穿梭在我的耳朵当中,每个学生在做练习的时候,看一眼案例,就仰天咆哮太难了!这
  • 原标题:超级城市IP如何挖掘,分享四个有效方法城市IP根植于城市文化的... 基于成功打造出多个城市IP案例经验,功夫动漫创始人李竹兵认为,超级城市IP就是对城市精、气、神的凝练,是对城市文化之“魂”进行形象...
  • 本系列共计 4 篇,分别是《我们如何衡量一个微服务实施的成功》,《成功微服务实施的技术演进》,《成功微服务实施的组织演进》,《微服务演进中的经验和反思》。本场 Chat 是第二篇《成功微服务实施的技术演进》,...
  • 本系列共计 4 篇,分别是《《我们如何衡量一个微服务实施的成功》,《成功微服务实施的技术演进》,《成功微服务实施的组织演进》,《微服务演进中的经验和反思》。本场 Chat 是第四篇《微服务演进中的经验和反思》...
  • 人们更愿意去讨论自己是如何成功的,确不太情愿开诚布公的去剖析自己是如何失败的。而时刻去反思自己失败的案例,我们会进步的更快! 和大家分享一个2010年发生在我身边的真实案例,不同的是,这个案例是个失败...
  • 我看了网上很多的教程,不过一直僵持了很久都没能成功,今天偶然成功了,分享一下成功经验。因为网上很多都是Ubuntu和树莓派系统的SSH搭建,也为使用TurtleBot的机器人爱好者一个成功案例吧。 相信大家都做过...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 424
精华内容 169
关键字:

如何分享成功经验案例