當你強大，世界才會對你和顏悅色 Your browser does not support the audio element. 那夜，雪正下得緊。 扯天扯地的風雪中，林沖千山獨行，無人相送。前途茫茫，禍福難料，陪伴他的，只有肩上扛著的那把花槍，還有吊著的一個酒葫蘆。 被他丟在身後的，是生死未蔔的嬌妻，慷慨直爽的好友魯智深，還有，那一份安穩太平的日子。 然而，殺機，就埋伏在不遠處，靜靜地等待著他。 1 我曾經擁有著一切 不久前，林沖還過著普通人向往的好日子。 他是八十萬禁軍教頭，正當三十四五歲的壯年期，個人業務能力頗為出色，跟嬌妻的婚姻也算是門當戶對。真可謂是一切都好，只欠煩惱。 可生活里的暗礁，總是撞得人猝不及防。 那天，林沖陪愛妻張氏去廟里上香，他見到魯智深便一時興起，與他切磋拳技。 誰料，一肚子壞水的高衙內遇見了張氏，攔住她就要當街調戲。 […]
所有令人羨慕的感情都是陪出來的 Your browser does not support the audio element. 1 沒有陪伴，談什麽感情 前些年，表哥一家決定在老家買房。 但離首付還差點錢，每月的房貸對工資不高的他們一家來說，壓力有點大。 於是，表哥便跟家里商量，說自己去深圳打拼多掙些錢，表嫂則留在家里照顧家庭。 表哥表嫂都覺得這樣的安排挺明智的，一來可以趁著年輕多掙些錢，二來也能照顧到家里的老人。 但大姑卻一口回絕了：要去就一起去！ 大姑告訴表哥表嫂：“我們兩口子現在還不算老，有什麽事情我們互相商量著都能解決，還用不著你們照顧。 別以為你們現在感情好，分隔兩地沒關系，都是瞎扯，沒有陪伴，再深的感情最後都會變淡。 你們倆相伴在一起，有什麽困難，還有個說心里話的人，倆人咬咬牙，什麽事都能挺過去。 你們想多掙錢不就是為了過更好的生活嗎？別到頭來錢有了感情沒了，白忙活一場。”
本文经AI新媒体量子位授权转载，转载请联系出处。 文章来源：微信公众号 数据派THU 本文介绍了新开发出的“Deep TabNine“代码补全工具，支持多种编程语言和编辑器。 GPT-2，一个来自OpenAI的逆天语言模型，现在能用来补全代码了。 一位来自加拿大的大四学霸，开发了一款”Deep TabNine“代码补全工具，实现了这一大胆的想法。 它支持23种编程语言、5种编辑器，使用简单，效果惊艳。 不少使用过的网友说：TabNine是他们用过的最好的代码补全工具，这是属于程序员的杀手级应用。 在VS Code的扩展商店里，TabNine已经被下载1.3万次，获得全5星好评。 支持23种编程语言 Deep TabNine支持Java： Python： C++： Haskell： 不同于各种其他代码补全插件，Deep TabNine是根据程序员过去的习惯自动补全，并在后面给出几种选项的概率。
来源：InfoQ 本文约6400字，建议阅读10+分钟。 工欲善其事必先利其器，善于利用各种开发工具同样可以事半功倍。 工欲善其事必先利其器，一个优秀的程序员除了代码写得好，善于利用各种开发工具同样可以事半功倍。以 BAT 为代表的各大厂程序员们在平时的工作中都用什么开发工具呢？我们盘点了大厂内部常用的开发工具，以供读者参考。本文涉及工具大部分为开源项目，大家可以按需选用。 阿里篇 ##一、Java 线上诊断工具 Arthas Arthas 是阿里巴巴 2018 年 9 月开源的一款 Java 线上诊断工具。 使用场景： 这个类从哪个
作者：Matthew Stewart 文章来源：微信公众号 数据派THU 翻译：车前子 校对：陈丹 —- 本文的知识将提供一个强有力的基础，带你入门神经网络的性能，应用于深度学习应用。 “你的大脑并不产生思想。你的思想塑造了神经网络。”——Deepak Chopra 引文 J. Nocedal y S. Wright, “Numerical optimization”, Springer, 1999
本文经AI新媒体量子位授权转载，转载请联系出处。 文章来源：微信公众号 数据派THU 哪里不会，抄查哪里。 GitHub上出现一份对Python用户非常友好的资源：Python Cheatsheet。 内含超全代码示例，只需“Ctrl+C”+“Ctrl+V”“Ctrl+F”就可以快速上手使用。 内容覆盖容器（Collections）、类型（Types）、语法（Syntax）、系统（System）、数据（Data）、库（Libraries）等等Python编程的主要类别，以及Advanced Python内容。 而且还有文本文件可以下载。 目前，这份资源已经获得4600+标星，登上了GitHub趋势榜。 核心是代码 这份资源中，核心是代码，基本没有废话。 比如说，在类型方面，只是简单地介绍了相关背景： 任何东西都是一个对象。 每一个对象都有一个类型。 类型和类是同义的。 然后就直接放代码了。 其他一些重要信息，也会提上一两句，对初学者也比较友好。 比如：
作者：Pranjal Chaubey 文章来源：微信公众号 数据派THU 翻译：宋文伯 校对：丁楠雅 本文将通过介绍Jupyter Notebook的附加扩展组件和指令，为Jupyter Notebook赋能。帮助Python使用者大大提高Jupyter Notebook的使用体验，提升工作效率。 简介 Jupyter Notebook是当今最受Python使用者（尤其是热衷于机器学习和数据科学的Python使用者）青睐的编译环境。我在数月以前首次接触机器学习时发现了这个神器，稍加使用后就被它深深吸引。然而，这种感觉很快就消失殆尽了，因为我发现Jupyter Notebook的界面非常单调，缺乏许多有用的功能。从那时起，我开始寻找一些可以在Jupyter Notebook中使用的黑科技，来满足一名Python使用者的日常所需。 在本文中，我将会介绍一些Jupyter Notebook的附加扩展组件和指令，进而帮助Python使用者大大提高Jupyter Notebook的使用体验，从而提升工作效率。 简而言之，本文将教你如何赋能Jupyter Notebook！
来源：AI科技评论 文章来源：微信公众号 数据派THU —- ACL 2019已经结束，但其空前的规模仍然震撼人心：2900多篇提交论文，660篇被接收，3000多名会议注册人员，以及4个超过400人的研讨会（比一些国际CS会议都大）。 值得一提的是，在本届ACL中热门话题（例如BERT系列、Transformers、机器翻译等）受到热烈关注，但除此之外还有一些新的趋势，例如对抗学习、自然语言生成、知识图谱等。以知识图谱为例，本次会议中共有30篇接收论文，大约占了所有接收论文的5%。 会后总结是优秀学者的必要行动。随着ACL会议的结束，在网上已经先后出现了多篇关于ACL大会上各细分领域的总结文章。 例如来自德国Fraunhofer IAIS的研究科学家Michael Galkin近日便在Medium上发表了一篇关于知识图谱@ACL2019的总结文。 文章则围绕ACL大会上关于知识图谱（KG）的研究进行了详细且完整的探讨的内容，共包含五个部分，分别为： 基于知识图谱的对话系统 知识图谱事实的自然语言生成 基于知识图谱的问答 基于知识图谱的NER和关系链接 知识图谱嵌入和图表示 一、基于知识图谱的对话系统 对话系统，传统上分为目标导向agent和闲聊agent两种。所谓目标导向agent，即帮助用户去完成某项任务，例如帮忙预定餐桌或安排代驾等。闲聊agent即智能对话，具有互动性、娱乐性和话题性。 近来，我们可能听到太多关于深度神经网络构建端到端（不需要特定通道）对话系统的工作。然而，现在越来越明显的一个趋势就是，无论在目标导向还是闲聊的agent中都需要拥有一些知识，前者需要领域知识，后者需要常识知识。
作者：尘恋 文章来源：微信公众号 数据派THU [ 导读 ]作者用超过1.2万字的篇幅，总结了自己学习机器学习过程中遇到知识点。“入门后，才知道机器学习的魅力与可怕。”希望正在阅读本文的你，也能在机器学习上学有所成。 准备 机器学习是什么，人工智能的子类，深度学习的父类。 机器学习：使计算机改进或是适应他们的行为，从而使他们的行为更加准确。也就是通过数据中学习，从而在某项工作上做的更好。 引用王钰院士在2008年会议的一句话，假定W是给定世界的有限或者无限的所有对象的集合，Q是我们能够或得到的有限数据，Q是W的一个很小的真子集，机器学习就是根据世界的样本集来推算世界的模型，使得模型对于整体世界来说为真。 机器学习的两个驱动：神经网络，数据挖掘。 机器学习的分类： 监督学习：提供了包含正确回答的训练集，并以这个训练集为基础，算法进行泛化，直到对所有的可能输入都给出正确回答，这也称在范例中学习。 无监督学习：没有提供正确回答，算法试图鉴别出输入之间的相似，从而将同样的输入归为一类，这种方法称密度学习。 强化学习：介于监督和无监督之间，当答案不正确时，算法被告知，如何改正则不得而知，算法需要去探索，试验不同情况，直到得到正确答案，强化学习有时称为伴随评论家的学习，因为他只对答案评分，而不给出改进建议。 进化学习：将生物学的进化看成一个学习过程，我们研究如何在计算机中对这一过程进行建模，采用适应度的概念，相当于对当前解答方案好坏程度的评分。（不是所有机器学习书籍都包含进化学习） 优点：泛化，对于未曾碰到的输入也能给出合理的输出。 监督学习：回归、分类。 机器学习过程： 数据的收集和准备
作者：Jose Garcia 文章来源：微信公众号 数据派THU 翻译：吴振东 校对：张一豪 本文约4000字，建议阅读14分钟。本文将利用OpenCV，Python和Ubidots来编写一个行人计数器程序，并对代码进行了较为详细的讲解。 数字图像处理（DIP）技术目前发展非常迅速，这在很大程度上要归功于开发人员可以访问云来运用机器学习技术。通过云处理数字图像可以绕过任何专用硬件的要求，这使得使用DIP成为了大家的首选。作为处理图像最经济和最通用的方法，DIP已经被广泛应用。这种其中最常见的当属行人检测和计数 – 这对于机场、火车站、零售店体育馆、公共活动和博物馆来说都是一项非常有用的指标。 现有的传统行人计数技术不仅价格昂贵，而且它们所生成的数据通常与专有系统相关联，这些系统限制了数据提取和KPI的优化选择。相反，使用你的个人相机和SBC的嵌入式DIP不仅可以节省时间和金钱，还可以根据你所关注的KPI来自由定制应用程序，并从云中获取独特的领悟。 使用云来启用DIP IoT（物联网）应用程序可以增强整体的功能性。随着可视化、报告、警报和交叉引用外部数据源（如天气、实时供应商定价或业务管理系统）等功能的增强，DIP为开发人员提供了他们所需的自由空间。 想象一下一家摆着冰淇淋冰柜的杂货店：他们想要追踪统计经过店门口的人数，顾客所选择的产品，以及门被打开的次数和冰柜的内部温度。 从这几个数据点中，零售商可以运行相关性分析，以更好地了解和优化他们的产品定价和冰箱的整体能耗。 为了开启你的数字图像处理应用程序开发工作，Ubidots运用OpenCV和Python来创建了一套人员计数系统教程，用于分析统计给定区域中的人数。其实不仅是统计人数这样简单，添加Ubidots IoT开发平台的资源还可以扩展你的应用程序。在这里，你可以看到如何实现利用Ubidots来构建的实时人数统计仪表板。 在本文中，我们将介绍如何使用OpenCV和Ubidots来实现简单的DIP叠加并创建行人计数器。此示例最适用于任何基于Linux的发行版系统，也适用于Raspberry Pi，Orange Pi或类似的嵌入式系统。