IT思维

只要够快够准够门槛，处处都是留给技术创业公司的机遇。

纳德拉在1992年加入微软，当时他才25岁。尽管那时他已经管理了微软的云业务，但他并不是最受欢迎的人。

随着工业科技的发展，这波数字化自动化的浪潮被称为“工业4.0”，所以未来的工厂到底是什么样子？

由于机器学习系统容易受到历史数据引入的偏见而导致歧视性行为，人们认为有必要在某些应用场景中用公平性准则约束系统的行为，并期待其能保护弱势群体和带来长期收益。

Big Think网站整理了19个受欢迎的AI课程资源列表，从MOOC的免费在线课程到著名大学的学位课程，不管你对AI的兴趣程度如何，这份清单都将对你有帮助。

在地球的另一半，AI创业者们都在做些什么？

2018年，AI落地应用成为行业关键词，当开放共赢基本成为行业共识，百度、腾讯等大厂则更是放出“免费”信号。

你是否愿意用自己的数据换一份更加个性化的专属食品？

未来10年，人类将面临AI、IoT和区块链等三大技术巨大挑战!

Google 靠着收集和利用用户的信息造就了数十亿美元的业务。近日，外媒 The Verge 发现了一部 Google 内部制作的短片，这部短片非常大胆地介绍了一些 Google 内部人士对未来如何利用用户信息的设想。

该方法利用合成数据来训练神经网络，是第一次在机器人上使用以图像为中心的域随机化方法。

UCLH 旨在将人工智能「革命性」的功效带给 NHS 患者。

要什么自行车？本期没有导读。

机器学习是一种比手工编程更为高效的解决方案，通过对于数据的分析和学习来解决一系列广泛复杂的问题。

扭转这种局面需要时间。因此谷歌在军事上找到了出路。

这是一个 AI 爆发的时代，从研究，到应用，再到教育。

大多数的博客更多都关注模型的精度、召回率、AUC(Area under curve，ROC曲线下区域面积)等分类指标。这里想稍稍改变一下，让我们来探索各种更多的指标，包括在回归问题中使用的指标。MAE和RMSE是关于连续变量的两个最普遍的度量标准。

关于深度学习性能，还有很多不明之处。例如，你怎么进行测量？你应该测量什么？在不久之前的 GTC 2018，英伟达 CEO 黄仁勋介绍了 PLASTER 框架，从可编程性到学习率 7 大挑战来评测深度学习性能。

这篇文章可以作为一个设计指南，为特定分类任务的 CNN 设计提供指导。作者围绕准确率、速度、内存消耗三个指标的权衡，从网络类型、架构设计、数据处理和迁移学习等方面介绍了 CNN 设计过程中使用的方法。

Facebook 陷入水深火热之中。假新闻、恐怖主义、操纵俄罗斯大选，也许之后就是受管制了。这家公司把求救之手转向 AI。而这个策略将要求 Facebook 突破计算上的几大挑战。

英国超市 Ocado 如何利用机器人让网上购物更便捷？这里有一份详细报道。

是的，你没有看错，数据科学领域从业者最离不开的两大编程语言，当红炸子鸡 Python 和“过气网红”R 真的要展开合作了。

人类对于学习具有无可比拟的优秀能力，我们可以从一个简单的样本中学习到整类事物的抽象特征，而算法却需要成千上万的样本来习得认知。

腾讯CEO马化腾与张一鸣在朋友圈“互怼”，再度成为科技媒体的焦点，再算上此前延烧的《腾讯没有梦想》一文，腾讯与今日头条的矛盾从未如此被放大过。

计算正变得无处不在，而智能边缘计算将会是下一个关键技术前沿。