一、 人工智能应用场景二、人工智能小案例案例一：画图识物神经网络辨识涂鸦 链接：https://quickdraw.withgoogle.com案例二：机器自动识别图像中的事物，列出命名。案例三：把图片进行融合https://deepdreamgenerator.com/三、人工智能发展必备三要素：数据算法计算力计算力之CPU、GPU对比：CPU主要适合I\O密集型的任务GPU主要适合计算密集型任

微信好友就是视频号的第一批粉丝，熟悉的朋友会为你视频点评论，帮你把视频推荐到朋友的社交圈里；兴趣算法的推荐跟抖音、快手相似，系统会根据个人的喜好和浏览习惯来匹配推荐相应的视频内容。视频号有一个类型抖音同城的位置图标，会推荐给附近几公里的用户，可以为线下实体店的商家提供更多的精准流量和商机。微信视频号更注重优质内容和价值的输出，特点是已经和微信朋友圈实行了互通，有强大的流量。

快手的内容分布机制是去中心化、公平普惠的，不论是明星大咖还是草根百姓，不论是繁华的大都市还是在慢节奏的乡村，快手认为每个人都值得被记录、被分享和关注，因此平台不会对任何明显、网红搞特殊。正是因为快手的去中心化的公平机制，激发了越来越多的用户在平台进行创作发布，表达和展示自己。无论男女老少，也不论是社会哪个阶段的用户，都能通过快手抒发表现欲望，因此快手的视频内容也逐渐多元化起来。通俗地讲，就是每个人

这是什么？ 这是刻意未编入索引的网页。重复网页，网址已提交但未被选为规范网址：相应网址是一组重复网址中的一个网址，并且这些网址均未被明确标记为规范网页。尽管您已明确要求将该网址编入索引，但由于它是重复网址，且 Google 认为另一网址更适合作为规范网页，因此 Google 没有将该网址编入索引，而是将我们选择的规范网址编入了索引。（Google 只会将一组重复内容中的规范网址编入索引。）此状态与

什么时候使用线性回归？目标值是连续的特征和目标之间有关联直接根据若干特征去预测目标或者找到特征之间的关系（哪个特征对目标值的影响更大）

移除低方差的特征移除低方差的特征。因为方差为0，说明一组数据中每个数都是一样的，那么数据的波动就最小，也就是没有波动了，因为平均数是1，每个数据也都是1如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。threshold 临界点VarianceThreshold 方差阈值方差很小，分子很小，说明数值-平均数的太相近，数据太过集中，拥有

文本分类：朴素贝叶斯，例如电子邮件中垃圾邮件的识别。训练集较小，选择高偏差且低方差的分类算法：朴素贝叶斯、支持向量机（不容易过拟合）算法模型的计算时间短和模型易用性，不要选支持向量机、人工神经网络重视算法的准确率：支持向量机或GBDT、XGBoost等基于Boosting的集成方法注重效果的稳定性或模型鲁棒性，那么应选择随机森林、组合投票模型等基于Bagging的集成方法。想得到有关预测结果的概率

用通俗易懂的话来说就是我们经常接触的抖音。如果你经常刷情感剧，就会给你推荐此类电视片段。如果你沉迷爱情，就天天推送爱情是神圣的伟大的。但是你浏览习惯是一会儿关注搞笑段子，一会关注育儿，考证。我想表达的意思是，我们每天在软件上的行为都被抖音贴上标签，时刻随着我们的喜好跟随，但是在一段时间我们的生活起伏，心态比较乱，或者是手机换人了，新买的手机。推送的视频就显得乱七八糟了。

信息流（feed）广告，是在内容流中穿插展现的广告，常出现在社交网络、资讯媒体和视频平台，以文字、图片、视频或它们相结合的方式展现。它主要出现在移动端。为了便于区分，我们将用户自发发布的内容叫作“内容”​，将给平台带来明确收益的商业推广叫作“广告”​。

个人简介模板【我】是谁，【我】做过什么，【我】能为你带来什么?