数据获取，存储，清理完成之后，对数据进行建模和使用算法之前，数据的特征选择是一个重要的问题。正所谓，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。         特征选择是从一个原始数据特征空间中选择一个最优子集的过程，通过特征选择原始数据集中的冗余特征和不相关特征被除去，而有用特征得以保留。特征选择不仅能够实现降维，而且特征子集比原始数据子集获得更好的拟合优度和

物联网（IoT）是帮助人工智能（AI）以更好的方式控制和理解事物的未来技术。 我们收集了一些最有名的物联网平台，帮助您以受控方式开发物联网项目。物联网平台是帮助设置和管理互联网连接设备的组件套件。 一个人可以从一个系统远程收集数据，监控和管理所有连接互联网的设备。 物联网平台上有很多可用的在线平台，但为公司构建物联网解决方案都依赖于物联网平台主机和支持质量。在这里，我们编译了一些最好的和着...

前言深度强化学习可以说是人工智能领域现在最热门的方向，吸引了众多该领域优秀的科学家去发掘其能力极限。而深度强化学习本身也由于其通用性备受各个应用领域推崇，从端对端游戏控制、机器人手臂控制、推荐系统，甚至也来到了自然语言对话系统。然而如何在日新月异，几乎每日都在更新迭代的深度强化学习的进展中保持好节奏，那是这篇文章带给大家的建议和思考。我们首先简要介绍一下深度学习和强化学习技术，以及

正则化是机器学习中非常重要并且非常有效的减少泛华误差的技术，特别是在深度学习模型中，由于其模型参数非常多非常容易产生过拟合。因此研究者也提出很多有效的技术防止过拟合，比较常用的技术包括：参数添加约束，例如L1、L2范数等训练集合扩充，例如添加噪声、数据变换等Dropout该文主要介绍深度学习中比较常见几类正则化方法以及常用参数选择，并试图解释其原理。正则化技术参数惩罚

正则化是机器学习中非常重要并且非常有效的减少泛华误差的技术，特别是在深度学习模型中，由于其模型参数非常多非常容易产生过拟合。因此研究者也提出很多有效的技术防止过拟合，比较常用的技术包括：参数添加约束，例如L1、L2范数等训练集合扩充，例如添加噪声、数据变换等Dropout该文主要介绍深度学习中比较常见几类正则化方法以及常用参数选择，并试图解释其原理。正则化技术参数惩罚

数据挖掘的过程一般有这么几步：1. 数据预处理，如数据清洗，填补缺失值，填补缺失值方法很多，可以将缺失值较多的样本删除，    或者根据变量之间的相关关系和相似性填补2. 获取预测模型，模型用来根据未来解释变量的值预测目标变量，也可以用来解释变量之间的相    互联系。根据问题的需要可以建立不同的模型。3. 模型选择与评价，获得预测模型后，选择预测效果，稳定性最好的模型作为最终

浏览器的组成JavaScript代码嵌入网页的方法直接添加代码块加载外部脚本行内代码<script>标签的工作原理defer属性async属性重流和重绘脚本的动态嵌入加载使用的协议JavaScript虚拟机单线程模型含义消息队列Event Loop参考链接浏览器的组成浏览器的核心是两部分：渲染引擎和JavaScript解释器（又称JavaScript引擎...

准备东西:一块单片机开发板(我用的原子的stm32的mini板子)一块esp-12F(esp-12E，esp-12S均可)一台云主机(没有也可以用虚拟机来玩局域网控制)单片机只需要消耗一个串口和一个定时器先搭建环境硬件连接服务器一般是socket,tcp，udp，mqtt，websocket之类的物联网里用得较多的是mqtt,这里我用的是mqtt,服务器端我用的emq,一个mqtt的server端

chrome用的是skia图形库firefox用的是cairo图形库在linux下，skia和cairo都是以gtk为前端(就和wxwidgets类似)，并不是直接用gtk开发的skype是qt开发的，商业软件用qt开发的不少eclipse是用java下的swt开发的，swt的前端是什么，我不是很清楚目前来看，商业软件用qt的多于gtk，还有一些是wxwidgets，直接用gtk的很少...

 by Jason Brownlee on July 14, 2016 in Deep LearningIt is hyperbole to say deep learning is achieving state-of-the-art results across a range of difficult problem domains. A fact, but also hyperbo...