2018人工智能应用例子_汇总贴

https://www.secrss.com/articles/4392 人工智能被广为关注,但是一些想法恐难达到预期.本成熟度曲线将追踪AI基本趋势和未来创新,以确定人工智能技术发展的范围.状态.价值和风险. 一.从曲线上消失的技术 2018年,以下几个技术已经从曲线上消失: ? 1.虚拟客户助理 ? 2.认知专家顾问 ? 3.3级和4级自动驾驶 ? 4.深层强化学习 ? 5.智能应用程序 ? 6.信息技术操作人工智能平台 二.2018曲线五个阶段的关键技术 (一)上升阶段 1  人工智能管理

2018.11.29 DQL:查询语句 排序查询: order by 排序字段1,排序方式1,...,排序字段n,排序方式n;排序方式 ASC:升序,默认排序方式 DESC:降序注意事项:   如果有多个排序条件,只有当第一排序字段值一样时,才会按照第二排序字段值排序 聚合函数概念:  将一列的数据作为一个整体,进行纵向的计算分类 count -- 计算个数(可以写成*,建议使用非空的列,例如主键) max -- 计算最大值 min -- 计算最小值 sum -- 计算和 avg -- 计算平均

1) 没有查询条件,或者查询条件没有建立索引 2) 在查询条件上没有使用引导列 3) 查询的数量是大表的大部分,应该是30%以上. 4) 索引本身失效 5) 查询条件使用函数在索引列上,或者对索引列进行运算,运算包括(+,-,*,/,! 等) 错误的例子:select * from test where id-1=9; 正确的例子:select * from test where id=10; 6) 对小表查询 7) 提示不使用索引 8) 统计数据不真实 9) CBO计算走索引花费过大的情况.其

用户管理是Linux系统维护的工作之一,其中设计用户添加.删除等简单操作. 需求:一次添加很多用户.在一个文本文件中. 格式:以行为单位,每行是一条用户信息.用户名和密码之间使用特定的分隔符分开,可是是空格,逗号,Tab键等.这里用空格区分 eg: [[email protected] ~]$ cat addusers.txt username001 password001 username002 password002 username003 password003 username004 p

汇总数据 avg()---------求平均数 SELECT AVG(weight) AS aveweight FROM userinfo WHERE weight>70 值得注意的是:avg()只能用于一个列的平均值查询,多个列的平均值请使用多个avg() avg()忽略null值 count()-------计数(指定列的话计算非空的值总数,*计算所有) SELECT COUNT(age) AS agenum FROM userinfo SELECT COUNT(*) AS agenum F

小D课堂 - 零基础入门SpringBoot2.X到实战_第1节零基础快速入门SpringBoot2.0_1.SpringBoot2.x课程介绍和高手系列知识点 小D课堂 - 零基础入门SpringBoot2.X到实战_第1节零基础快速入门SpringBoot2.0_2.SpringBoot2.x依赖环境和版本新特性说明 小D课堂 - 零基础入门SpringBoot2.X到实战_第1节零基础快速入门SpringBoot2.0_3.快速创建SpringBoot应用之手工创建web应用 小D课堂 -

#这里讲演pandas的汇总与统计import numpy as npimport pandas as pd #我自己的私有函数库,我都加了t_+函数名的t_data={ "name":["唐浩","小王","老王","赵三","李四","王姐"], "sex":["男","女","男",

# 人工智能:预测,分类 # 人工智能: # 自动的工作 # 机器学习(包含深度学习) # 以前的限制因素:计算能力,数据,算法发展 # 用途: # 图像识别 # 识别图片中不同的地方(医学CT) 不用人工识别 # 图片艺术化(可以替代ps) # 无人驾驶 # 人脸识别 # 自然语言处理 # 语音识别 # 自动写报告 # 传统预测 # 性能评估 # NLP # 推荐系统 # 机器学习的数据:文件格式,csv(逗号分隔值) # 不使用数据库: # 1,性能瓶颈,数量过多,2,3GB 读取慢 # 2

# 决策树,随机森林 # 决策树结构:if-then # 信息熵: # 例:第一届世界杯32支球队 每个队伍冠军概率1/32 # 可得 log32(程序员认为的log一般都默认是以2为底) = -(1/32*log(1/32)+1/32*log(1/32).....) # 2018 第21届世界杯根据历史数据获胜概率不同 log32 > -(1/4*log(1/4)+1/4*log(1/4).....) # 几个log的和即为信息熵, 当概率变化时 log的和是小于log(n)的 # 信息熵与不