今天出来一则新闻,大意是说百度ECharts数据可视化实验室正式上线。

百度ECharts数据可视化实验室由ECharts团队创建,联合公司内外众多数据可视化从业人员组成的技术研究虚拟组织,一同致力于数据可视化的相关研究、教育普及、产品研发及生态建设。

网址:http://vis.baidu.com/

基于基础的可视化规范,依托ZRender、ClayGL基础库,实现了强大的ECharts、ECharts GL。以ECharts为核心,整合MapV等完善的数据可视化产品,并针对各类场景、各种需求开发了图说、Gallery、插件等完善的应用产品。从基础到框架到上层应用,可扎实、强大、便捷的满足一切数据可视化需求。

 


我个人对 VisualDL 比较感兴趣,对数据分析有帮助。比如下图的展示方式,可以将不同波形按照一定顺序层层展示。那么这就可以生成一段声音的三维模型。(比如,对这段声音的三维模型进行一定的处理,得到一些关键坐标点,则可以对这段声音加密,当然这是我臆想的,是否可以成功不确定)。

VisualDL 还对深度学习有帮助,具体有待了解。

 

ECharts 是用来生成各种数据报表的,可以对数据进行可视化,能动态展示数据,效果有点类似于 Processing 的效果。这里有很多生动的例子:http://echarts.baidu.com/examples/index.html

以上两个工具很方便。

本文大概描述了机器学习领域之外的人如何转行到机器学习领域内。说得很详细。

下文转载自CSDN:http://blog.csdn.net/qq_40027052/article/details/78542679?locationNum=3&fps=1


在计算机行业,关于从业人员的素质,一直都有一个朴素的认识——科班出身好过非科班,学历高的好过学历低的。大部分时候,这个看法是对的。在学校学习,有老师指点,有同学讨论,有考试压迫,有项目练手。即便不大用心的学生,几年耳濡目染下来,毕业后作为半个专业人士,还是没什么问题的。

不过,量子物理告诉我们,这个世界的本质要看概率。所以,科班出身的同学,在技术上好过非科班出身的同学,这是大概率事件;相反,非机器学习专业,甚至非计算机专业的同学,在这个领域做的比本专业同学更好,则就是小概率事件了。但小概率事件并非“不可能事件”,国内很多做机器学习公司的CTO,都不是机器学习专业的科班出身,却能够抓住这里的“小概率”,让自己华丽地转身并实现弯道超车。

他们是怎么做到的?

如果在上学的时候,我们没能嗅到机器学习领域的机会,而是选择其他领域来学习和工作……如今却打算半路出家、改行机器学习,应该怎么做,才能做到跟这些人一样好?或者,至少是足够好?

我自己痛苦转型的经历,说出来可以供大家参考一下。

我也是非科班出身,但因为工作,一直需要接触计算机视觉的一些传统算法。后来,看到ImageNet竞赛的结果,我意识到了深度学习在视觉领域的巨大优势,遂决定开始转型深度学习和神经网络,走上了这条学习的不归路(笑)。

想要转型,跟上学的时候不同,因为手头正在做的工作意味着,自己需要从没有时间的情况下挤出时间,需要把别人睡觉、打游戏的时间用来学习,而所学的又是一种颇为艰深晦涩的学问。

转型,其实很容易,需要做到的只有一件事:学习。

转型,其实很困难,因为必须做到一件事:坚持学习。

最难的不是下定决心,而是贯彻到底。所以,在开始之前,不妨先问问自己这样几个问题:

“我真的已经想清楚,要踏足这个行业吗?”
“我能够付出比其他人更多的辛苦汗水,在这条路上坚定地走下去吗?”
“在遭受了痛苦甚至打击之后,我对机器学习的热爱,仍然能够维持我继续前进吗?”

根据我掌握的数据,100个程序员里大概有30个考虑过转型,而真正付诸行动的不过10个。一个月以后仍然在坚持的仅有5个,最终能完成第一个阶段学习的,最多两三个而已。

真的这么困难吗?是的。特别是你要白天上班,晚上才能学习,独学而无友,有问题又只能自己查。而要系统地入门,又不是咬牙一天两天就能学出来,恐怕得坚持几个月才能get到点。

我个人的经历是这样:一开始接触时,每周一、三、五固定3天时间,每晚花两个小时去学习、看视频、翻书,周六周日则用来完成课程附带的编程作业,大概也是每天两小时左右。在这种强度下坚持了三个月,我才算是完成了入门的第一步。

也许有的人效率更高一些,也许有的人步子更慢一些,但快和慢不是关键,即使学习最慢的人,也要比一开始放弃学习的人走得更远。

所以,其实真正重要的,不是“我该学什么”,或者“我该怎么学”;而是“我是不是真的有足够的决心”,以及“我是不是能坚持到底”。

上手的课程

定好决心后,我们就能看看:在学机器学习的时候,我们到底在学什么?

几乎所有人都知道人工智能这个概念;有一部分人知道“机器学习”这个概念;其中一小部分人能清楚描述“深度学习”、“机器学习”和“神经网络”的关系; 很少一部分人能够正确说明“卷积”、“池化”、“CTC”这些名词的正确含义与计算/实现的方法;非常少的人能清楚地理解损失函数和反向传播的数学表达;极少极少的人能够阐述网络的一个修改(比如把卷积核改小)对precision/recall会产生什么影响;几乎没有人能描述上述影响到底是什么原理。

查看全文

看来我应该慎重考虑一下转型人工智能?先努力开始学着,多学点没什么坏处。

以下全文转载自:http://www.sohu.com/a/124743338_505819


来源:WIRED (MOVE OVER, CODERS—PHYSICISTS WILL SOON RULE SILICON VALLEY)

编译:Agnes Pan

“如今还真不是当物理学家的好时候。” Oscar Boykin如是说。Boykin在佐治亚理工的物理系完成了本科学业,之后于2002年在加州大学洛杉矶分校(UCLA)获得了物理学博士学位。就在四年前,瑞士大型强子对撞机的物理学家发现了希格斯玻色子,这是20世纪60年代曾首次预测存在的亚原子粒子。

正如Boykin所提到的,每个人都在期盼它真正被发现。然而,希格斯的发现并没有打破宇宙的理论模型,它没有改变任何东西,或是给予物理学家任何新的研究方向。“每当与物理有关的事情出现差错时,物理学家们都会非常兴奋,然而我们却正处于一个几乎不太会出现差错的时代。” Boykin说道,“在一个物理学家看来,这是一个令人沮丧的时代。”而且,薪水也不高。

Oscar Boykin

现在,Boykin已经不再是一位物理学家,他化身成了硅谷的软件工程师。而现如今,正是这类职业的黄金时代。

Boykin在一家价值90亿美元的创业公司Stripe工作,创建在线平台,帮助企业接收在线付款。Boykin的职责是帮助构建和运行公司收集数据的软件系统,他负责预测这些服务系统的未来走势,包括欺诈性交易发生的可能性,以及具体可能发生的时间和途径。一方面,作为一名物理学家,他非常适合这项工作,因为该职位需要极强的数学能力和抽象思维。然而,不像是纯物理学家,他现在的工作领域能提供给他无限的挑战和可能性。而且,薪水也很高。

如果物理和软件工程是亚原子粒子,那么,硅谷已经变成了粒子碰撞的地方。 Boykin在Stripe与其他三位物理学家一起工作。 去年12月,当通用电气收购了机器学习创业公司Wise.io时,通用的CEO Jeff Immelt调侃道,他刚刚获得了一家充满物理学家的公司,其中最著名的就是加州大学伯克利大学(UCB)的天体物理学家Joshua Bloom。

开源机器学习软件H20是由来自瑞士的物理学家Arno Candel(曾在SLAC国家加速器实验室工作)的帮助下开发的,该软件现在成为了全世界近7万名数据科学家的研究工具。微软的数据科学主管Vijay Narayanan也是一名天体物理学家,在他团队工作的还有其他几名物理学家。

这一切并不是经过精心策划的。“我们并不是进入了物理世界的‘幼儿园’,并拐卖了一车儿童。” Stripe的总裁兼联合创始人John Collison表示,“这样的事情只是自然而然的发生了。”而且,它发生在硅谷的每一个角落。 因为在结构和技术的角度上看,每个互联网公司需要做的事情,已经越来越与物理学家的技术和知识相对口。

一切都是顺其自然

当然,物理学家在早些时候,就在计算机技术方面发挥了重要作用,就像他们在许多其他领域有着重要作用一样。 参与设计世界上最早的计算机之一ENIAC的John Mauchly,就是一位物理学家。C语言之父Dennis Ritchie,最开始也是一位物理学家。

但是,对于进入计算机技术领域的物理学家来说,如今才算时机成熟。由于机器学习的兴起,机器需要通过分析大量数据来学习任务,这种新型数据科学和人工智能是最适合物理学家的东西。

除此之外,神经网络,以及在此基础上开发的模仿人类大脑结构的软件,都是当前行业内的热点。但是,神经网络可以说是一个巨大的工程,涉及很多线性代数和概率论。计算机科学家不一定在这些领域内有过深入的研究,但物理学家有。“对于物理学家来说,神经网络中最陌生的,只有学习如何优化这些神经网络并训练他们,但这也是相对直截了当的一个部分。”Boykin说道,“其中,有一种技术被称为‘牛顿法’,以物理学家牛顿命名,而不是其他的什么牛顿。”

微软剑桥研究实验室主管Chris Bishop,在三十年前就有了同样的感受,当时深层神经网络才刚开始在学术界崭露头角。这也是导致他从物理学转变到机器学习领域的主要原因。“一个物理学家进入了机器学习领域,这是非常自然的一件事。”他说,“甚至比计算机科学家这么做更自然。”

更大的挑战空间

Boykin感慨道,十年前,许多他的物理学家同僚都争相转入金融界。同样的数学知识体系在华尔街非常受用,可以作为预测市场发展趋势的一种准确方式。 其中最重要的工具就是Black-Scholes方程式,这是一种能确定金融衍生物价值的方法,但后来,Black-Scholes在一定程度上也帮助酿成了2008年的金融危机。现在,更多的物理学者会选择转向数据科学,以及其他类型的计算机科技领域。

约十年前,物理学家开始进入顶尖的科技公司,参与开发大数据软件,即能在数百甚至数千台机器上运行数据的系统。Boykin曾在Twitter参与开发了名为Summingbird的大数据软件,来自MIT物理系的三位年轻人,也曾在一家名为Cloudant的初创公司研发出了类似的软件。物理学家熟知该如何处理数据,并且利用他们强大的抽象思维,构建一些复杂的系统。

在Google刚成立不久的时候,公司负责构建大规模分布式系统的关键人物之一Yonatan Zunger,就拥有斯坦福大学弦理论学的博士学位。当Kevin Scott加入Google的广告组时,他负责从各处获取数据,并用这些数据来预测,哪几类广告最可能获得最多的点击量。为此,他聘请了无数名物理学家进入他的小组工作。与很多计算机科学家不同,物理学家简直就是为了机器学习的实验本质而生。“这简直就是一门实验科学。” 如今的LinkedIn首席技术官Scott感叹道。

当下,大数据软件已经十分常见,它们帮助机器学习模型展开各类预测,这也为物理学家进入硅谷开辟了更广阔的道路。在Stripe,Boykin的团队还包括Roban Kramer(哥伦比亚大学物理学博士),Christian Anderson(哈佛大学物理学硕士)和Kelley Rivoire(MIT物理学学士)。他们来到这里,是因为他们适合这样的工作。他们来到这里,也是为了得到更可观的薪水。就像Boykin所说,“科技公司的薪资简直离谱。”但同时,他们来到这里,也是为了解决更多亟待解决的问题。

Anderson之所以放弃了物理学博士,离开哈佛,就是因为他对如今物理学界的看法和Boykin一样——是一种回报递减的纯学术追求。但是,互联网产业却并非如此。Anderson表示:“互联网的涵盖面很广,这让互联网产业能拥有更多的机会,同时也扩大了它的挑战空间和问题空间。但是,在这之中,我总能看到上升空间。”

充满变化的未来

今天,物理学家正前仆后继地进入硅谷公司,但在今后的岁月里,类似的现象会进一步蔓延。机器学习不仅会改变分析数据的方式,也会改变软件的开发方式。 神经网络已经从根本上改变了图像识别、语音识别、机器翻译以及软件接口的本质。正如微软的Chris Bishop所说,软件工程正在从基于逻辑的代码编写,转向基于概率和不确定性的机器学习模型。类似Google和Facebook这样的大公司,已经开始以这种新的思维方式,重新训练他们的工程师。最终,全世界都会跟随他们的脚步前进。

换句话说,大量物理学家进入硅谷工程师的领域,意味着更大的变化即将到来。不久之后,所有的硅谷工程师也都将踏入物理学家的领域。

-END-

本文由将门创投(thejiangmen)原创编译

如需转载,请在微信公众号中回复“转载”,获得许可

将门是一家专注于加速及投资技术驱动型初创企业的创投机构。

我们为技术驱动型的创业公司对接标杆企业用户、连接产业资源并提供众多战略投资机会。

将门旗下的基金将会重点投资通过技术创新激活商业场景,实现商业价值的初创企业。关注领域包括:1)机器智能;2)物联网;3)自然人机交互;4)企业计算。

微型无人机携带炸药可以杀人。

这并不是危言耸听 伯克利大学教授在联合国大会上展示了“AI杀人蜂”机器人 搭载人脸识别、传感器以及3克炸药 可以在人群中精确定位到需要干掉的人 杀人成本极其低廉 同时教授警告:该项技术已经成熟 要警惕落入恐怖分子之手(感谢阿尔法小分队译制,网易公开课编辑整理)

本视频来自网易公开课 http://open.163.com/movie/2017/11/0/9/MD32SIIIB_MD32SJS09.html

这是视频最后给出的“防止这种悲剧发生的”公益网站:http://autonomousweapons.org/

我也相信机器人一定会与人类共享世界,甚至取代人类。