912浏览次数
门外买了一部三星电视夜晶高清LA40M81BX/XTT？有人知道吗？
门外汗买了一部三星电视夜晶高清LA40M81BX/XTT[在网上找不到..有点恐怖..有人能告诉我吗
1、三星液晶电视十大液晶电视品牌，三星电子有限公司是韩国最大的企业，业务涉及多个领域，主要包括半导体、移动电话、显示器、笔记本、、电、、数码摄像机以及IT产品等。三星电子在动态存储器、静态存储器、CDMA手机、电脑显示器、液晶电视、彩色电视机等近20种产品中保持着世界市场的领先位置。2、索尼液晶电视十大液晶电视品牌，索尼液晶电视的问世，为平板电视领域开拓了四大新关注热点，分别是HDMI1.3接口、10bit高清面板、x.v.color色域标准以及Motionflow100Hz动态响应时间技术。
其他回答(共3条)
三星酒店装修标准有这些a.至少30间(套)供租客房;b.门窥镜防盗装置显著位置张贴应急疏散图及相关说明;c.装修良、美观软垫、梳妆台或写字台、衣橱及衣架、座椅或简易、床、床灯及行李架等配套室内满铺毯、木板或其较高档材料室内采用区域照明且目物照明度良;d.卫间装抽水恭桶、梳妆台(配备面盆、梳妆镜必要盥洗用品)、浴缸或淋浴间浴缸配、淋浴喷(另单独淋浴间带淋浴喷)采取效防滑措施采用较高级建筑材料装修面、墙面花色调柔目物照明度良良排风系统或排风器温湿度与客房适宜110/220V间断24供应冷、热水;e.便使用电机直接拨通或使用预付费电信卡拨打际、内途电并配使用说明;f.提供际互联网接入服务并使用说明;g.彩色播放频道少于16画面音质清晰备频道指示说明播放内容应符合政府规定;h.具备效防噪音及隔音措施;i.至少两种规格电源插座并提供插座转换器;j.遮光窗帘;k.单间;l.套房;m.与本星级相适应文具用品服务指南、价目表、住宿须知、所旅游景点介绍旅游交通图应客要求提供相应报刊;n.客房、卫间每全面整理1每或应客要求更换床单、单及枕套客用品消耗品补充齐全;o.提供夜床服务放置晚安致意卡;p.床用棉织品(床单、枕、枕套、棉及单等)及卫间针织用品(浴衣、、等)材质良、工艺讲究、柔软舒适;q.24提供冷热饮用水免费提供茶叶或咖啡;r.70%客房提供适量酒饮料备饮用器具价目单;s.客房间客应要求提供加椅茶水服务;t.提供留言叫醒服务;u.提供衣装湿洗、干洗熨烫服务;v.送餐菜单饮料单18提供送餐服务挂置门外送餐牌;w.提供擦鞋服务
42寸液晶电视长宽高我国现在已出台国家数字电视宽高比标准，宽与高的比例为16：9。42寸液晶比例符合此标准，100%完美还原高清数字信号；由于液晶电视的厂商不同，对边框的厚度没有一个统一的标准，有的是窄边的，有的是宽边的，没有一个太准确的数字长基本在mm宽基本在650-700mm之间，有的机器本身带喇叭的就更宽了，至于中心屏幕可视面积，这个说不准，不过42寸的实际可用面积也就是41.6寸，和40寸的差距仔细观察的话，是能看出来的，建议买大品牌的，比如说夏普，索尼，三星，飞利浦或是国产的海尔，海信，这些品牌信誉比较好，不至于骗人。当然，除了质量和口碑好之外，售后服务也是不错的，毕竟液晶电视这样的大件商品，一旦出现质量问题，没有一个好的售后服务，费时费力费钱，还未必能有个满意的结果。
4k电视机品牌推荐一：创维4k电视机的发展，让创维也更加的强大了。创维电视是中国唯一一个民营电视品牌，历经二十多年的风风雨雨后已经成为国内最大的电视品牌，创造了电视销售史上的一个奇迹。在企业业绩不断提升的同时也不断增加了在老百姓心中的美誉度，已经成为行业的领头羊，百姓心中的大品牌。4k电视机品牌推荐二：LGLG通过四十多年的不断发展，以成为韩国电子信息领域的代表性企业，它凭借高端的技术和全球化的生产体系，跻身世界电子信息通信产业的领军企业行业。随着不断的努力，在2012年后，LG也开始推出4k电视机，这让更多的购买者有了更多的选择。4k电视机品牌推荐三：三星三星集团是韩国第一大企业，同时也是一个跨国的企业集团，三星集团包括众多的国际下属企业，旗下子公司有：三星电子、三星物产、三星生命、三星航空等等，业务涉及电子、金融、机械、化学等众多领域。这些都为成为4k电视机奠定了雄厚的基础。4K电视经历了近两年的发展，已经成为购买者心目中选购电视的首选，现如今提及4K电视已经是无人不知无人不晓。4K电视凭借高清晰画质自然逼真的画面显示效果让用户可以“接触真实的世界”，感受不一样的视觉盛宴。那麽购买者在选购4K电视的过程中都需要关注哪些事项呢？首先所选购的产品应该配备专业级UHD超高清显示屏，电视应该配备物理分辨率达到（4K*2K），像素达到829.44万只有这样的产品才能被评为真正合格的4K超高清电视。
大家电热门问题
相关套图推荐查看: 13437|回复: 12
平民, 积分 46, 距离下一级还需 54 积分
精华0帖子威望0 点积分46 点注册时间最后登录
最新想更新电视看中了索尼的8500b和9000b，但是价格8500b能接受。问了销售员说这两个都差不多。请问各位懂电视的那个性价比好些
战士, 积分 812, 距离下一级还需 688 积分
精华0帖子威望0 点积分812 点注册时间最后登录
9000貌似自带音响
战士, 积分 1059, 距离下一级还需 441 积分
精华0帖子威望0 点积分1060 点注册时间最后登录
8500b是低端& && && && && && &
平民, 积分 46, 距离下一级还需 54 积分
精华0帖子威望0 点积分46 点注册时间最后登录
低端的机子不好还是有其他的问题
骑士, 积分 2344, 距离下一级还需 656 积分
精华0帖子威望0 点积分2344 点注册时间最后登录
纸人变活人 发表于
低端的机子不好还是有其他的问题
8500B不带精锐光控，所以黑位比9000B差一些。
还有，8500B是motionflow 200，9000B是800，所以在看电视的时候，8500B的动态差一点(主要还不是运动画面差，而是24P电影比较差一些）。
玩游戏画面、动态、延迟都无区别，完全一样
流放者(禁止发言), 积分 -20, 距离下一级还需 20 积分
精华0帖子威望0 点积分-20 点注册时间最后登录
倍速一个是800一个是200
公民, 积分 167, 距离下一级还需 133 积分
精华0帖子威望0 点积分168 点注册时间最后登录
我刚淘的 55X倍速 主动快门3D眼镜 比8500B好很多 LZ可以考虑下
9000B就是音响好些
佣兵, 积分 347, 距离下一级还需 403 积分
精华0帖子威望0 点积分347 点注册时间最后登录
主要就是倍速 精锐光控还有音质的区别
8500属于入门4K 旗舰的话还是9000B和9500B
总之看预算吧 要实惠自然是前者 要好的当然是后者
公民, 积分 110, 距离下一级还需 190 积分
精华0帖子威望0 点积分110 点注册时间最后登录
我就是8500b 65寸 玩游戏看电影和9000差不多的其实 我朋友sony中国 推荐我的 价格很实惠这款 再配套9200的家庭影院 玩游戏蛮好的 而且在一起不到3w 比9000自带音响好很多 实在纠结你可以去淮海路旗舰店 2路拿着ps4两个电视机游戏对比哈 里面销售很热情 请无视单身的我家里很邋遢
(154.94 KB, 下载次数: 7)
17:26 上传
下载次数: 7
(85.07 KB, 下载次数: 7)
17:31 上传
下载次数: 7
骑士, 积分 2344, 距离下一级还需 656 积分
精华0帖子威望0 点积分2344 点注册时间最后登录
玩游戏没区别，因为都是120HZ面板，游戏模式，所有处理都是强制关闭的。
看电视有点区别，大动态和24P电影，X9000B更好一点，但好的程度决没有价格差距那么大，不比较很难看出来的
Powered by
扫描二维码
下载 A9VG 客户端（iOS, Android）想了解机器学习？这 3 种算法你必须要知道 - 技术翻译 - 开源中国社区
想了解机器学习？这 3 种算法你必须要知道
【已翻译100%】
英文原文：
推荐于 6个月前 (共 15 段, 翻译完成于 11-08)
参与翻译&(3人)&: ,
假设有一些数据相关的问题亟待你解决。在此之前你听说过机器学习算法可以帮助解决这些问题，于是你想借此机会尝试一番，却苦于在此领域没有任何经验或知识。 你开始谷歌一些术语，如“机器学习模型”和“机器学习方法论”，但一段时间后，你发现自己完全迷失在了不同算法之间，于是你准备放弃。
朋友，请坚持下去！
幸运的是，在这篇文章中我将介绍三大类的机器学习算法，针对大范围的数据科学问题，相信你都能满怀自信去解决。
在接下来的文章中，我们将讨论决策树、聚类算法和回归，指出它们之间的差异，并找出如何为你的案例选择最合适的模型。
&翻译得不错哦！
有监督的学习 vs. 无监督的学习
理解机器学习的基础，就是要学会对有监督的学习和无监督的学习进行分类，因为机器学习中的任何一个问题，都属于这两大类的范畴。
在有监督学习的情况下，我们有一个数据集，它们将作为输入提供给一些算法。但前提是，我们已经知道正确输出的格式应该是什么样子（假设输入和输出之间存在一些关系）。
我们随后将看到的回归和分类问题都属于这个类别。
另一方面，在我们不知道输出应该是什么样子的情况下，就应该使用无监督学习。事实上，我们需要从输入变量的影响未知的数据中推导出正确的结构。聚类问题是这个类别的主要代表。
为了使上面的分类更清晰，我会列举一些实际的问题，并试着对它们进行相应的分类。
&翻译得不错哦！
假设你在经营一家房地产公司。考虑到新房子的特性，你要根据你以前记录的其他房屋的销售量来预测它的售价是多少。你输入的数据集包括多个房子的特性，比如卫生间的数量和大小等，而你想预测的变量（通常称为“目标变量”）就是价格。预测房屋的售价是一个有监督学习问题，更确切地说，是回归问题。
假设一个医学实验的目的是预测一个人是否会因为一些体质测量和遗传导致近视程度加深。在这种情况下，输入的数据集是这个人的体质特征，而目标变量有两种：
1 表示可能加深近视，而 0 表示不太可能。预测一个人是否会加深近视也是一个有监督学习问题，更确切地说，是分类问题。
&翻译得不错哦！
假设你的公司拥有很多客户。根据他们最近与贵公司的互动情况、他们近期购买的产品以及他们的人口统计数据，你想要形成相似顾客的群体，以便以不同的方式应对他们 - 例如向他们中的一些人提供独家折扣券。在这种情况下，你将使用上述提及的特征作为算法的输入，而算法将决定应该形成的组的数量或类别。这显然是一个无监督学习的例子，因为我们没有任何关于输出会如何的线索，完全不知道结果会怎样。
接下来，我将介绍一些更具体的算法......
&翻译得不错哦！
首先，回归不是一个单一的监督学习技术，而是一个很多技术所属的完整类别。
回归的主要思想是给定一些输入变量，我们要预测目标值。在回归的情况下，目标变量是连续的 - 这意味着它可以在指定的范围内取任何值。另一方面，输入变量可以是离散的也可以是连续的。
在回归技术中，最流行的是线性回归和逻辑回归。让我们仔细研究一下。
&翻译得不错哦！
在线性回归中，我们尝试在输入变量和目标变量之间构建一段关系，并将这种关系用条直线表示，我们通常将其称为回归线。
例如，假设我们有两个输入变量 X1 和 X2，还有一个目标变量 Y，它们的关系可以用数学公式表示如下：
Y = a * X1 + b*X2 +c
假设 X1 和 X2 的值已知，我们需要将 a，b 和 c 进行调整，从而使 Y 能尽可能的接近真实值。
举个例子！
假设我们拥有著名的&，它提供了一些方法，能通过花朵的花萼大小以及花瓣大小判断花朵的类别，如：Setosa，Versicolor 和 Virginica。
使用 R 软件，假设花瓣的宽度和长度已给定，我们将实施线性回归来预测萼片的长度。
在数学上，我们会通过以下公式来获取 a、b 值：
&翻译得不错哦！
SepalLength = a * PetalWidth + b* PetalLength +c
相应的代码如下所示：
#&Load&required&packages
library(ggplot2)
#&Load&iris&dataset
data(iris)
#&Have&a&look&at&the&first&10&observations&of&the&dataset
head(iris)
#&Fit&the&regression&line
fitted_model&&-&lm(Sepal.Length&~&Petal.Width&+&Petal.Length,&data&=&iris)
#&Get&details&about&the&parameters&of&the&selected&model
summary(fitted_model)
#&Plot&the&data&points&along&with&the&regression&line
&ggplot(iris,&aes(x&=&Petal.Width,&y&=&Petal.Length,&color&=&Species))&+
&&&&geom_point(alpha&=&6/10)&+
&&&&stat_smooth(method&=&"lm",&fill="blue",&colour="grey50",&size=0.5,&alpha&=&0.1)
线性回归的结果显示在下列图表中，其中黑点表示初始数据点，蓝线表示拟合回归直线，由此得出估算值：a= -0.31955，b = 0.54178 和 c = 4.19058，这个结果可能最接近实际值，即花萼的真实长度。
接下来，只要将花瓣长度和花瓣宽度的值应用到定义的线性关系中，就可以对花萼长度进行预测了。
&翻译得不错哦！
主要思想与线性回归完全相同。不同点是逻辑回归的回归线不再是直的。
我们要建立的数学关系是以下形式的：
Y=g(a*X1+b*X2)
g() 是一个对数函数。
根据该逻辑函数的性质，Y 是连续的，范围是 [0,1]，可以被解释为一个事件发生的概率。
再举个例子！
这一次我们研究 mtcars 数据集，包含
年间 32 种汽车制造的汽车设计、十个性能指标以及油耗。
使用 R，我们将在测量 V/S 和每英里油耗的基础上预测汽车的变速器是自动（AM = 0）还是手动（AM = 1）的概率。
&翻译得不错哦！
am = g(a * mpg + b* vs +c):
#&Load&required&packages
library(ggplot2)
#&Load&data
data(mtcars)
#&Keep&a&subset&of&the&data&features&that&includes&on&the&measurement&we&are&interested&in
cars&&-&subset(mtcars,&select=c(mpg,&am,&vs))
#&Fit&the&logistic&regression&line
fitted_model&&-&glm(am&~&mpg+vs,&data=cars,&family=binomial(link="logit"))
#&Plot&the&results
ggplot(cars,&aes(x=mpg,&y=vs,&colour&=&am))&+&geom_point(alpha&=&6/10)&+
&stat_smooth(method="glm",fill="blue",&colour="grey50",&size=0.5,&alpha&=&0.1,&method.args=list(family="binomial"))
如下图所示，其中黑点代表数据集的初始点，蓝线代表闭合的对数回归线。估计 a = 0.5359，b = -2.7957，c = - 9.9183
我们可以观察到，和线性回归一样，对数回归的输出值回归线也在区间 [0,1] 内。
对于任何新汽车的测量 V/S 和每英里油耗，我们可以预测这辆汽车将使用自动变速器。这是不是准确得吓人？
&翻译得不错哦！
决策树是我们要研究的第二种机器学习算法。它们被分成回归树和分类树，因此可以用于监督式学习问题。
无可否认，决策树是最直观的算法之一，因为它们模仿人们在多数情况下的决策方式。他们基本上做的是在每种情况下绘制所有可能路径的“地图”，并给出相应的结果。
图形表示有助于更好地理解我们正在探讨的内容。
基于像上面这样的树，该算法可以根据相应标准中的值来决定在每个步骤要采用的路径。算法所选择的划分标准以及每个级别的相应阈值的策略，取决于候选变量对于目标变量的信息量多少，以及哪个设置可以最小化所产生的预测误差。
&翻译得不错哦！
我们的翻译工作遵照 ，如果我们的工作有侵犯到您的权益，请及时联系我们
有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了机器学习，深度学习有没有被过度消费？当然有，但如果世界上大部分强国大国都把这个作为未来核心战略发展，世界上最聪明的人都开始去研究这个领域，世界上最多的资本都往这里砸钱，那么这个的价值显然不是你所说的玄学能比拟的，当然有也可能他们都是傻逼，都是骗子，只有你聪明，清醒，但是这种可能性显然比较低
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的当人工智能突破的一天，我相信不会有你朋友的贡献
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业引用来自“maxos”的评论显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路同意你这个说法,当然需要大家继续努力;但是我也坚持我的观点,现实远没有这些吹水的文章这么乐观,再不愿意承认,现实也就是这个样子,现在的问题是,大家都还没有找到努力的方向,与其一味的吹嘘,误导一些不懂的人,还不如踏踏实实的静下心来做研究;alphago一出,我天朝到处都是&人工智能&,&机器学习&,&大数据&....我还以为人类的科技已近到达奇点了呢.google都还在继续研究,我们就已经普及了(各类APP号称的),你说这个专业是不是主修吹牛B呢?
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业引用来自“maxos”的评论显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路引用来自“kernel64”的评论同意你这个说法,当然需要大家继续努力;但是我也坚持我的观点,现实远没有这些吹水的文章这么乐观,再不愿意承认,现实也就是这个样子,现在的问题是,大家都还没有找到努力的方向,与其一味的吹嘘,误导一些不懂的人,还不如踏踏实实的静下心来做研究;alphago一出,我天朝到处都是&人工智能&,&机器学习&,&大数据&....我还以为人类的科技已近到达奇点了呢.google都还在继续研究,我们就已经普及了(各类APP号称的),你说这个专业是不是主修吹牛B呢?天朝到处都是&人工智能&,&机器学习&,&大数据&， 这些东西都是美国传过来， 如果你去美国，你会发现美国更多关于AI, Mehine Learning， Deep Learning, Big Data的东西，你也只是看到了google而已
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业引用来自“maxos”的评论显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路引用来自“kernel64”的评论同意你这个说法,当然需要大家继续努力;但是我也坚持我的观点,现实远没有这些吹水的文章这么乐观,再不愿意承认,现实也就是这个样子,现在的问题是,大家都还没有找到努力的方向,与其一味的吹嘘,误导一些不懂的人,还不如踏踏实实的静下心来做研究;alphago一出,我天朝到处都是&人工智能&,&机器学习&,&大数据&....我还以为人类的科技已近到达奇点了呢.google都还在继续研究,我们就已经普及了(各类APP号称的),你说这个专业是不是主修吹牛B呢?引用来自“maxos”的评论天朝到处都是&人工智能&,&机器学习&,&大数据&， 这些东西都是美国传过来， 如果你去美国，你会发现美国更多关于AI, Mehine Learning， Deep Learning, Big Data的东西，你也只是看到了google而已我不认为这有什么不好，就如同90年代末，2000年初，整个中国都在跟着美国炒互联网，泡沫会破灭，但是，也让中国的互联网跟上了世界潮流，也让中国有了BAT，京东，当然你可以喷这些公司都是垃圾，比不上美国同行，但是你要知道，世界上只有中国的这些互联网公司能被你拿来说比不上美国的同行，其他国家，日本，德国，英国，印度，你根本找不出可以跟美国同行比的公司
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业引用来自“maxos”的评论显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路引用来自“kernel64”的评论同意你这个说法,当然需要大家继续努力;但是我也坚持我的观点,现实远没有这些吹水的文章这么乐观,再不愿意承认,现实也就是这个样子,现在的问题是,大家都还没有找到努力的方向,与其一味的吹嘘,误导一些不懂的人,还不如踏踏实实的静下心来做研究;alphago一出,我天朝到处都是&人工智能&,&机器学习&,&大数据&....我还以为人类的科技已近到达奇点了呢.google都还在继续研究,我们就已经普及了(各类APP号称的),你说这个专业是不是主修吹牛B呢?引用来自“maxos”的评论天朝到处都是&人工智能&,&机器学习&,&大数据&， 这些东西都是美国传过来， 如果你去美国，你会发现美国更多关于AI, Mehine Learning， Deep Learning, Big Data的东西，你也只是看到了google而已引用来自“maxos”的评论我不认为这有什么不好，就如同90年代末，2000年初，整个中国都在跟着美国炒互联网，泡沫会破灭，但是，也让中国的互联网跟上了世界潮流，也让中国有了BAT，京东，当然你可以喷这些公司都是垃圾，比不上美国同行，但是你要知道，世界上只有中国的这些互联网公司能被你拿来说比不上美国的同行，其他国家，日本，德国，英国，印度，你根本找不出可以跟美国同行比的公司现在炒的人工智能也一样，充满的泡沫，当泡沫破灭的一天，一大堆跟风的会死掉，留下来的才会成为未来的王者
引用来自“maxos”的评论有时候，应该承认自己是无知的，这样你才可能不会看到自己看不懂的东西觉得别人在吹牛逼引用来自“kernel64”的评论我是说,机器学习目前只是可以得到确定性问题的结果(人脸特征识别,下围棋,趋势预测),并且都是使用大量数据进行运算得出的结果,并没有思维能力,图灵测试都还不能通过,没有新闻上说得这么玄乎.数字是什么?我们有自由意志吗?为什么哪里都有“存在”而没有绝对的虚无?程序员都解决不了的问题,现在的机器学习(由大数据喂养),一定解决不了.引用来自“maxos”的评论当初计算机出来的时候，如果有人跟你说可以用计算机识别人脸，下围棋，预测趋势，你也会说别人吹牛，因为你的经验和你以往的知识告诉你这是违反常理的，然而，世界上每次技术革新，都是巅峰之前的认识的引用来自“maxos”的评论所谓的图灵测试，未必就是绝对的真理，人类科学进化史已经无数次告诉你这个道理了引用来自“kernel64”的评论问题就在这里,你的认知还是以真假,对错来区分的,人类的活动是有很多无意义,无对错的事,比如直播平台上的各种视频.这也就是我说&机器学习&,没有说得这么悬乎的原因,在 1.已知规则; 2.已知结果; 3.并且可验证结果的前提下,通过大量的数据运算找出正确的结果的方法;解决这类问题,用排列组合+穷举,也是可以实现的,只是效率没有现在的所谓&机器学习&算法的效率高而已,至于真正意义上的学习,在现阶段,还没什么可值得吹嘘的成绩.http://36kr.com/p/5077836.html很遗憾的说一下,我朋友就是做这方面研究的,现实远远没有想像的美好,所以才会觉得没什么意思.引用来自“maxos”的评论任何科研领域中的研究者中，都有乐观派和悲观派，甚至两派都不缺重量级的大人物，然而绝大部分的突破最后都是右乐观派作出的引用来自“maxos”的评论当人工智能突破的一天，我相信不会有你朋友的贡献引用来自“maxos”的评论当然，让学术和研究回归到严谨，不要被资本冲昏头是对的，但是如果一个研究这个领域的人不相信有一天人工智能能实现智能，那么他最好换个专业引用来自“maxos”的评论显然没有人认为机器学习，深度学习已经达到或者能达到真正的智能，他只是通过人工智能的一小步，甚至可能是错误的一步，但是科学正是从错误中找到正确的路引用来自“kernel64”的评论同意你这个说法,当然需要大家继续努力;但是我也坚持我的观点,现实远没有这些吹水的文章这么乐观,再不愿意承认,现实也就是这个样子,现在的问题是,大家都还没有找到努力的方向,与其一味的吹嘘,误导一些不懂的人,还不如踏踏实实的静下心来做研究;alphago一出,我天朝到处都是&人工智能&,&机器学习&,&大数据&....我还以为人类的科技已近到达奇点了呢.google都还在继续研究,我们就已经普及了(各类APP号称的),你说这个专业是不是主修吹牛B呢?引用来自“maxos”的评论天朝到处都是&人工智能&,&机器学习&,&大数据&， 这些东西都是美国传过来， 如果你去美国，你会发现美国更多关于AI, Mehine Learning， Deep Learning, Big Data的东西，你也只是看到了google而已引用来自“maxos”的评论我不认为这有什么不好，就如同90年代末，2000年初，整个中国都在跟着美国炒互联网，泡沫会破灭，但是，也让中国的互联网跟上了世界潮流，也让中国有了BAT，京东，当然你可以喷这些公司都是垃圾，比不上美国同行，但是你要知道，世界上只有中国的这些互联网公司能被你拿来说比不上美国的同行，其他国家，日本，德国，英国，印度，你根本找不出可以跟美国同行比的公司引用来自“maxos”的评论现在炒的人工智能也一样，充满的泡沫，当泡沫破灭的一天，一大堆跟风的会死掉，留下来的才会成为未来的王者。。。。。。。。}