内容截取自B站UP主 小戴tv视频链接：https://www.bilibili.com/video/BV17v411Y7TP/?spm_id_from=333.788.recommend_more_video.1.智能家居主流的五种连接方式WiFi、蓝牙（BLT）、蓝牙Mesh、ZigBee、红外线。WiFi像米家台灯、冰箱等这类长期通电的产品，他们的主流连接方式都是WiFi，当然大部分仍保留着

一、七层协议 – OSI参考模型下面详细来说一下这几个层的作用。一、假设有A、B两台主机想要进行通信，那应该怎么做呢。1、通过不同的介质将A主机和B主机连接在一起，比如双绞线、蓝牙等。2、不同的的连接介质，对应的接口是不同的，比如双绞线的接口是 RJ-45。3、计算机中只能处理二进制，属于数字信号，而双绞线中的信号则是模拟信号，这就涉及到了如何将模拟信号转换为数字信号的问题（比如RS232、RS4

视频教程学习链接： https://www.icourse163.org/learn/XUST-1206363802?tid=1467124640#/learn/content?type=detail&id=1248319353&cid=1275090253原始数据的形式是多种多样的，除了数字之外，还可能是文字、图像、视频、音频等，下面，就以图像识别为例，来了解深度学习在计算机视觉领域中的应用。图

<fontolor=green>线性回归模型产生的预测值是连续的实数值，不适合直接处理分类任务。为了实现分类，可以利用广义线性回归的思想，在线性模型之上，再增加一个Sigmoid函数，把线性模型的输出映射到0到1之间，输出一个概率值，并根据这个概率值实现分类。为了衡量模型的优劣，需要使用损失函数，在线性回归模型中，通常使用平方损失函数，下图为逻辑回归的平方损失函数。采用梯度下降法来更新

对于个人学习者和小型创业公司，应该如何获取数据呢？Keras是一个高层的神经网络和深度学习库。它由Python编写，通过它可以快速的搭建神经网络模型，非常易于调试和扩展。在TensorFlow1.4版本以后，Keras已经成为TensorFlow的官方API，TensorFlow2.0更是将Keras作为构建和训练模型的核心API。Keras中内置了一些常用的公共数据集，通过Keras中的data

逻辑回归是一种线性分类器，能够把线性可分的数据集划分为两类。1、绘制轮廓线这条绿色的直线称为决策边界。也可以通过下面这种分区图更加清晰地展现分类的结果。这个图是这样实现的：先把这个平面分为很多小的网格，然后将分类直线上面的网格都是用粉色填充，分类直线下面的网格用绿色填充。在Python中，生成网格坐标矩阵可以使用 Numpy 中的 meshgrid 函数，填充网格可以使用plt中的 pcolome

在前面，我们使用了单层神经网络实现了对鸢尾花数据集的分类，下面，将使用多层神经网络来实现对鸢尾花数据集的分类。第一层是输入层到隐含层，相应的权值矩阵为 W1 ，隐含层中的阈值是 B1 ，隐含层的输出是：假设增加的隐含层中有 16 个神经元（结点），那么 B1 的形状就是 （16，），因为输入层中有四个结点，因此， W1 的形状是 （4，16），第二层是隐含层到输出层，从隐含层到输出层的权值矩阵为

模型评估训练集和测试集训练集就是训练模型的样本，测试集就是在我们训练好一个模型后，需要去评价这个模型的好坏。最直接的方法就是拿着这个模型去做实际的判断。例如，垃圾邮件过滤，就看看能否把垃圾邮件都筛选出来，如果没有识别出垃圾邮件，或者把正常的邮件错认为是垃圾邮件而过滤掉，那么都是出现了误判，或者说是错误。出现错误过多的模型显然就不是好的模型。模型评估误差（error）学习器的预测输出和样本的真实标记

1、在 IDM 安装目录下找到 IDMGCExt.crx 这个文件，如下图所示。2、打开谷歌浏览器，安装过程中要打开开发者模式选项。3、安装好后要关闭开发者模式选项。

人工智能的发展阶段神经网络：人脑智慧的物质基础。神经元/神经细胞：生物神经系统的基本单元。下图为典型的生物神经元：生物神经元由细胞体和细胞突起组成，细胞突起是由细胞体延伸出来的细长部分，每个突起又会生出一些细分的触手，这些触手与其他神经元的触手相连接，形成神经网络。这些细胞突起又分为树突和轴突，树突是神经元的输入，一个典型的椎体神经元有上千个树突，用来接收其他神经元传递过来的信号。轴突是神经元的输