选自Analytics Vidhya
作者：Sunil Ray
机器之心编译
在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机器学习、深度学习中的各种项目，希望能对大家学习、使用有所帮助。另，小编恬不知耻地把机器之心的 Github 项目也加了进来，求 star，求 pull requests。
GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代码是如何写成并实现的。
作为一名机器学习爱好者，作者在本文中列出了 2017 年 GitHub 平台上最为热门的知识库，其中包含了学习资料与工具。希望对你的学习和研究有所帮助。
目录
1. 学习资源
1. Awesome Data Science
2. Machine Learning / Deep Learning Cheat Sheet
3. Oxford Deep Natural Language Processing Course Lectures
4. PyTorch – Tutorial
5. Resources of NIPS 2017
2. 开源工具
1. TensorFlow
2. TuriCreate – A Simplified Machine Learning Library
3. OpenPose
4. DeepSpeech
5. Mobile Deep Learning
6. Visdom
7. Deep Photo Style Transfer
8. CycleGAN
9. Seq2seq
10. Pix2code
3. 机器之心项目
1. AI00-百家影响人工智能未来的公司
2. Artificial-Intelligence-Terminology
3. ML-Tutorial-Experiment
1. 学习资源
1.1 Awesome Data Science
项目地址： https://github.com/bulutyazilim/awesome-datascience
该 repo 是数据科学的基本资源。多年来的无数贡献构建了此 repo 里面的各种资源，从入门指导、信息图，到社交网络上你需要 follow 的账号。无论你是初学者还是业内老兵，里面都有大量的资源需要学习。
从该 repo 的目录可以看出其深度。
1.2 Machine Learning / Deep Learning Cheat Sheet
项目地址：https://github.com/kailashahirwar/cheatsheets-ai
该项目以 cheatsheet 的形式介绍了机器学习/深度学习中常用的工具与技术，从 pandas 这样的简单工具到深度学习技术都涵盖其中。在收藏或者 fork 该项目之后，你就不用再费事搜索常用的技巧和注意事项了。
简单介绍下，cheatsheets 类型包括 pandas、numpy、scikit learn、matplotlib、ggplot、dplyr、tidyr、pySpark 和神经网络。
1.3 Oxford Deep Natural Language Processing Course Lectures
项目地址：https://github.com/oxford-cs-deepnlp-2017/lectures
斯坦福的 NLP 课程一直是自然语言处理领域的金牌教程。但是近期随着深度学习的发展，在 RNN 和 LSTM 等深度学习架构的帮助下，NLP 出现了大量进步。
该 repo 基于牛津大学的 NLP 课程，涵盖先进技术和术语，如使用 RNN 进行语言建模、语音识别、文本转语音（TTS）等。该 repo 包含该课程从课程材料到实践联系的所有内容。
1.4 PyTorch – Tutorial
项目地址：https://github.com/yunjey/pytorch-tutorial
截至今天，PyTorch 仍是 TensorFlow 的唯一竞争对手，它的功能和声誉使其成为了颇具竞争力的深度学习框架。因其 Pythonic 风格的编程、动态计算图和更快的原型开发，Pytorch 已经获得了深度学习社区的广泛关注。
该知识库包含 PyTorch 上大量的深度学习任务代码，包括 RNN、GAN 和神经风格迁移。其中的大多数模型在实现上仅需 30 余行代码。这充分说明了 PyTorch 的抽象能力，它让研究人员可以专注于找到正确的模型，而无需纠缠于编程语言和工具选择等细节。
1.5 Resources of NIPS 2017
项目地址：https://github.com/hindupuravinash/nips2017
该 repo 包含 NIPS 2017 的资源和所有受邀演讲、教程和研讨会的幻灯片。NIPS 是一年一度的机器学习和计算神经科学会议。
过去几年中，数据科学领域内的大部分突破性研究都曾作为研究结果出现在 NIPS 大会上。如果你想站在领域前沿，那这就是很好的资源！
2. 开源软件库
2.1 TensorFlow
项目地址：https://github.com/tensorflow/tensorflow
TensorFlow 是一种采用数据流图（data flow graph）进行数值计算的开源软件库。其中 Tensor 代表传递的数据为张量（多维数组），Flow 代表使用计算图进行运算。数据流图用「结点」（node）和「边」（edge）组成的有向图来描述数学运算。「结点」一般用来表示施加的数学操作，但也可以表示数据输入的起点和输出的终点，或者是读取/写入持久变量（persistent variable）的终点。边表示结点之间的输入/输出关系。这些数据边可以传送维度可动态调整的多维数据数组，即张量（tensor）。
TensorFlow 自正式发布以来，一直保持着「深度学习/机器学习」顶尖库的位置。谷歌大脑团队和机器学习社区也一直在积极地贡献并保持最新的进展，尤其是在深度学习领域。
TensorFlow 最初是使用数据流图进行数值计算的开源软件库，但从目前来看，它已经成为构建深度学习模型的完整框架。它目前主要支持 TensorFlow，但也支持 C、C++ 和 Java 等语言。此外，今年 11 月谷歌终于发布了新工具的开发者预览版本，这是一款 TensorFlow 用于移动设备和嵌入式设备的轻量级解决方案。
2.2 TuriCreate：一个简化的机器学习库
项目地址：https://github.com/apple/turicreate
TuriCreate 是苹果最近贡献的一个开源项目，它为机器学习模型提供易于使用的创建方法和部署方法，这些机器学习模型包括目标检测、人体姿势识别和推荐系统等复杂任务。
可能我们作为机器学习爱好者会比较熟悉 GraphLab Create，一个非常简便高效的机器学习库，而当初创建该库的公司 TuriCreate 被苹果收购时，造成了很大反响。
TuriCreate 是针对 Python 开发的，且它最强的的特征是将机器学习模型部署到 Core ML 中，用于开发 iOS、macOS、watchOS 和 tvOS 等应用程序。
2.3 OpenPose
项目地址： https://github.com/CMU-Perceptual-Computing-Lab/openpose
OpenPose 是一个多人关键点检测库，它可以帮助我们实时地检测图像或视频中某个人的位置。OpenPose 软件库由 CMU 的感知计算实验室开发并维护，对于说明开源研究如何快速应用于部署到工业中，它是非常好的一个案例。
OpenPose 的一个使用案例是帮助解决活动检测问题，即演员完成的动作或活动能被实时捕捉到。然后这些关键点和它们的动作可用来制作动画片。OpenPose 不仅有 C++的 API 以使开发者能快速地访问它，同时它还有简单的命令行界面用来处理图像或视频。
2.4 DeepSpeech
项目地址： https://github.com/mozilla/DeepSpeech
DeepSpeech 是百度开发的开源实现库，它提供了当前顶尖的语音转文本合成技术。它基于 TensorFlow 和 Python，但也可以绑定到 NodeJS 或使用命令行运行。
Mozilla 一直是构建 DeepSpeech 和开源软件库的主要研究力量，Mozilla 技术战略副总裁 Sean White 在一篇博文中写道：「目前只有少数商用质量的语音识别引擎是开源的，它们大多数由大型公司主宰。这样就减少了初创公司、研究人员和传统企业为它们的用户定制特定的产品与服务。但我们与机器学习社区的众多开发者和研究者共同完善了该开源库，因此目前 DeepSpeech 已经使用了复杂和前沿的机器学习技术创建语音到文本的引擎。」
2.5 Mobile Deep Learning
项目地址：https://github.com/baidu/mobile-deep-learning
该 repo 将数据科学中的当前最佳技术移植到了移动平台上。该 repo 由百度研究院开发，目的是将深度学习模型以低复杂性和高速度部署到移动设备（例如 Android 和 IOS）上。
该 repo 解释了一个简单的用例，即目标检测。它可以识别目标（例如一张图像中的手机）的准确位置，很棒不是吗？
2.6 Visdom
项目地址：https://github.com/facebookresearch/visdom
Visdom 支持图表、图像和文本在协作者之间进行传播。你可以用编程的方式组织可视化空间，或者通过 UI 为实时数据创建仪表盘，检查实验结果，或者调试实验代码。
绘图函数中的输入会发生改变，尽管大部分输入是数据的张量 X（而非数据本身）和（可选）张量 Y（包含可选数据变量，如标签或时间戳）。它支持所有基本图表类型，以创建 Plotly 支持的可视化。
Visdom 支持使用 PyTorch 和 Numpy。
2.7 Deep Photo Style Transfer
项目地址：https://github.com/luanfujun/deep-photo-styletransfer
该 repo 基于近期论文《Deep Photo Style Transfer》，该论文介绍了一种用于摄影风格迁移的深度学习方法，可处理大量图像内容，同时有效迁移参考风格。该方法成功克服了失真，满足了大量场景中的摄影风格迁移需求，包括时间、天气、季节、艺术编辑等场景。
2.8 CycleGAN
项目地址：https://github.com/junyanz/CycleGAN
CycleGAN 是一个有趣且强大的库，展现了该顶尖技术的潜力。举例来说，下图大致展示了该库的能力：调整图像景深。这里有趣的点在于你事先并没有告诉算法需要注意图像的哪一部分。算法完全依靠自己做到了！
目前该库用 Lua 编写，但是它也可以在命令行中使用。
2.9 Seq2seq
项目地址：https://github.com/google/seq2seq
Seq2seq 最初是为机器翻译而建立的，但已经被开发用于多种其它任务，包括摘要生成、对话建模和图像捕捉。只要一个问题的结构是将输入数据编码为一种格式，并将其解码为另一种格式，就可以使用 Seq2seq 框架。它使用了所有流行的基于 Python 的 TensorFlow 库进行编程。
2.10 Pix2code
项目地址：https://github.com/tonybeltramelli/pix2code
这个深度学习项目非常令人振奋，它尝试为给定的 GUI 自动生成代码。当建立网站或移动设备界面的时候，通常前端工程师必须编写大量枯燥的代码，这很费时和低效。这阻碍了开发者将主要的时间用于实现真正的功能和软件逻辑。Pix2code 的目的是通过将过程自动化来克服这一困难。它基于一种新方法，允许以单个 GUI 截图作为输入来生成计算机 token。
Pix2code 使用 Python 编写，可将移动设备和网站界面的捕捉图像转换成代码。
3. 机器之心项目
机器之心目前在 GitHub 上也有三个项目，分别是评估人工智能各领域优秀公司的 AI00、人工智能领域中英术语集和模型试验与解释项目。
3.1 AI00——机器之心百家影响人工智能未来的公司榜单
项目地址：https://github.com/jiqizhixin/AI00
人工智能是一个复杂庞大的体系，涉及众多学科，也关乎技术、产品、行业和资本等众多要素，本报告的写作团队只代表他们的专业观点，有自己的局限性，需要更多行业专家参与进来加以修正和完善。
我们深刻地理解在没有专业用户反馈的情况下所做出报告的质量局限性，所以希望用工程界「Agile Development」的理念来对待我们的报告，不断收集专业反馈来持续提升报告质量。
为此，我们将邀请人工智能领域的科学家、技术专家、产业专家、专业投资人和读者加入进来，共同完成这项人工智能的长期研究。我们将对参与者提供的信息进行汇总和整理，以月度为单位更新此份报告。
3.2 Artificial-Intelligence-Terminology
项目地址：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology
我们将机器之心在编译技术文章和论文过程中所遇到的专业术语记录下来，希望有助于大家查阅和翻译（第二版）。
本词汇库目前拥有的专业词汇共计 760 个，主要为机器学习基础概念和术语，同时也是该项目的基本词汇。机器之心将继续完善术语的收录和扩展阅读的构建。
词汇更新主要分为两个阶段，第一阶段机器之心将继续完善基础词汇的构建，即通过权威教科书或其它有公信力的资料抽取常见术语。第二阶段机器之心将持续性地把编译论文或其他资料所出现的非常见术语更新到词汇表中。
读者的反馈意见和更新建议将贯穿整个阶段，并且我们将在项目致谢页中展示对该项目起积极作用的读者。因为我们希望术语的更新更具准确度和置信度，所以我们希望读者能附上该术语的来源地址与扩展地址。因此，我们能更客观地更新词汇，并附上可信的来源与扩展。
3.3 ML-Tutorial-Experiment
项目地址：https://github.com/jiqizhixin/ML-Tutorial-Experiment
该项目主要是展示我们在实验机器学习模型中所获得的经验与解释，目前我们解释并实现了卷积神经网络、生成对抗网络和 CapsNet。这些实现都有非常详细的文章以说明模型的结构与实现代码。如下所示为这三个实现项目的说明：
原文链接：https://www.analyticsvidhya.com/blog/2017/12/15-data-science-repositories-github-2017/
详解XGBoost机器学习模型的决策过程
导读
本文用一个具体的数据集分析了 XGBoost 机器学习模型的预测过程，通过使用可视化手段展示结果，我们可以更好地理解模型的预测过程。
随着机器学习的产业应用不断发展，理解、解释和定义机器学习模型的工作原理似乎已成日益明显的趋势。对于非深度学习类型的机器学习分类问题，XGBoost 是最流行的库。由于 XGBoost 可以很好地扩展到大型数据集中，并支持多种语言，它在商业化环境中特别有用。例如，使用 XGBoost 可以很容易地在 Python 中训练模型，并把模型部署到 Java 产品环境中。
虽然 XGBoost 可以达到很高的准确率，但对于 XGBoost 如何进行决策而达到如此高的准确率的过程，还是不够透明。当直接将结果移交给客户的时候，这种不透明可能是很严重的缺陷。理解事情发生的原因是很有用的。那些转向应用机器学习理解数据的公司，同样需要理解来自模型的预测。这一点变得越来越重要。例如，谁也不希望信贷机构使用机器学习模型预测用户的信誉，却无法解释做出这些预测的过程。
另一个例子是，如果我们的机器学习模型说，一个婚姻档案和一个出生档案是和同一个人相关的（档案关联任务），但档案上的日期暗示这桩婚姻的双方分别是一个很老的人和一个很年轻的人，我们可能会质疑为什么模型会将它们关联起来。在诸如这样的例子中，理解模型做出这样的预测的原因是非常有价值的。其结果可能是模型考虑了名字和位置的独特性，并做出了正确的预测。但也可能是模型的特征并没有正确考虑档案上的年龄差距。在这个案例中，对模型预测的理解可以帮助我们寻找提升模型性能的方法。
在这篇文章中，我们将介绍一些技术以更好地理解 XGBoost 的预测过程。这允许我们在利用 gradient boosting 的威力的同时，仍然能理解模型的决策过程。
为了解释这些技术，我们将使用 Titanic 数据集。该数据集有每个泰坦尼克号乘客的信息（包括乘客是否生还）。我们的目标是预测一个乘客是否生还，并且理解做出该预测的过程。即使是使用这些数据，我们也能看到理解模型决策的重要性。想象一下，假如我们有一个关于最近发生的船难的乘客数据集。建立这样的预测模型的目的实际上并不在于预测结果本身，但理解预测过程可以帮助我们学习如何最大化意外中的生还者。
我们要做的首件事是观察我们的数据，你可以在 Kaggle 上找到（https://www.kaggle.com/c/titanic/data）这个数据集。拿到数据集之后，我们会对数据进行简单的清理。即：
清除名字和乘客 ID
把分类变量转化为虚拟变量
用中位数填充和去除数据
这些清洗技巧非常简单，本文的目标不是讨论数据清洗，而是解释 XGBoost，因此这些都是快速、合理的清洗以使模型获得训练。
现在让我们将数据集分为训练集和测试集。
并通过少量的超参数测试构建一个训练管道。
接着查看测试结果。为简单起见，我们将会使用与 Kaggle 相同的指标：准确率。
至此我们得到了一个还不错的准确率，在 Kaggle 的大约 9000 个竞争者中排到了前 500 名。因此我们还有进一步提升的空间，但在此将作为留给读者的练习。
我们继续关于理解模型学习到什么的讨论。常用的方法是使用 XGBoost 提供的特征重要性（feature importance）。特征重要性的级别越高，表示该特征对改善模型预测的贡献越大。接下来我们将使用重要性参数对特征进行分级，并比较相对重要性。
从上图可以看出，票价和年龄是很重要的特征。我们可以进一步查看生还/遇难与票价的相关分布：
我们可以很清楚地看到，那些生还者相比遇难者的平均票价要高得多，因此把票价当成重要特征可能是合理的。
特征重要性可能是理解一般的特征重要性的不错方法。假如出现了这样的特例，即模型预测一个高票价的乘客无法获得生还，则我们可以得出高票价并不必然导致生还，接下来我们将分析可能导致模型得出该乘客无法生还的其它特征。
这种个体层次上的分析对于生产式机器学习系统可能非常有用。考虑其它例子，使用模型预测是否可以某人一项贷款。我们知道信用评分将是模型的一个很重要的特征，但是却出现了一个拥有高信用评分却被模型拒绝的客户，这时我们将如何向客户做出解释？又该如何向管理者解释？
幸运的是，近期出现了华盛顿大学关于解释任意分类器的预测过程的研究。他们的方法称为 LIME，已经在 GitHub 上开源（https://github.com/marcotcr/lime）。本文不打算对此展开讨论，可以参见论文（https://arxiv.org/pdf/1602.04938.pdf）
接下来我们尝试在模型中应用 LIME。基本上，首先需要定义一个处理训练数据的解释器（我们需要确保传递给解释器的估算训练数据集正是将要训练的数据集）：
随后你必须定义一个函数，它以特征数组为变量，并返回一个数组和每个类的概率：
最后，我们传递一个示例，让解释器使用你的函数输出特征数和标签：
在这里我们有一个示例，76% 的可能性是不存活的。我们还想看看哪个特征对于哪个类贡献最大，重要性又如何。例如，在 Sex = Female 时，生存几率更大。让我们看看柱状图：
所以这看起来很有道理。如果你是女性，这就大大提高了你在训练数据中存活的几率。所以为什么预测结果是「未存活」？看起来 Pclass =2.0 大大降低了存活率。让我们看看：
看起来 Pclass 等于 2 的存活率还是比较低的，所以我们对于自己的预测结果有了更多的理解。看看 LIME 上展示的 top5 特征，看起来这个人似乎仍然能活下来，让我们看看它的标签：
这个人确实活下来了，所以我们的模型有错！感谢 LIME，我们可以对问题原因有一些认识：看起来 Pclass 可能需要被抛弃。这种方式可以帮助我们，希望能够找到一些改进模型的方法。
文章来源：机器之心
文章编辑：田芳
12个关键词告诉你告诉你什么是机器学习（基础篇）
源 | 小象
随着人工智能(AI)技术对各行各业有越来越深入的影响，我们也更多地在新闻或报告中听到“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇，对于非专业人士来说略为玄幻。这篇文章为读者梳理了包括这些在内的12个关键词，希望帮助读者更清晰地理解，这项人工智能技术的内涵和潜能。
1、 机器学习
汤姆·米歇尔教授任职于卡内基梅陇大学计算机学院-机器学习系，根据他在《机器学习》一书中的定义，机器学习是“研究如何打造可以根据经验自动改善的计算机程序”。机器学习在本质上来说是跨学科的，使用了计算机科学、统计学和人工智能以及其他学科的知识。机器学习研究的主要产物是算法，可以帮助基于经验的自动改善。这些算法可以在各个行业有广泛应用，包括计算机视觉、人工智能和数据挖掘。
2、 分类
分类的含义是通过模型将数据分类进入不同的类别。这些模型的构造方式是输入一个训练数据库，其中有预先标记好的类别，供算法进行学习。然后，在模型中输入类别未经标记的数据库，让模型基于它从训练数据库中所学到的知识，来预测新数据的类别。因为这类的算法需要明确的类别标记，因此，分类算是“监督学习”的一种形式。
3、 回归
回归是与分类紧密联系在一起的。分类是预测离散的类别，而回归则适用的情况，是当预测“类别”由连续的数字组成。线性回归就是回归技术的一个例子。
4、 聚集
聚集是用来分析不含有预先标记过的类别的数据，甚至连类别特性都没有标记过。数据个体的分组原则是这样的一个概念：最大化组内相似度、最小化组与组之间的相似度。这就出现了聚集算法，识别非常相似的数据并将其放在一组，而未分组的数据之间则没那么相似。K-means聚集也许是聚集算法中最著名的例子。由于聚集不需要预先将类别进行标记，它算是“无监督学习”的一种形式，意味着算法通过观察进行学习，而不是通过案例进行学习。
5、 关联
要解释关联，最简单的办法是引入“购物篮分析”，这是一个比较著名的典型例子。购物篮分析是假设一个购物者在购物篮中放入了各种各样的物品(实体或者虚拟)，而目标是识别各种物品之间的关联，并为比较分配支持和置信度测量(编者注：置信度是一个统计学概念，意味着某个样本在总体参数的区间估计)。这其中的价值在于交叉营销和消费者行为分析。关联是购物篮分析的一种概括归纳，与分类相似，除了任何特性都可以在关联中被预测到。 Apriori 算法被称为最知名的关联算法。关联也属于“无监督学习”的一种形式。
决策树的例子，分步解决并分类的方式带来了树形结构。图片来源： SlideShare 。
6、 决策树
决策树是一种自上而下、分步解决的递归分类器。决策树通常来说由两种任务组成：归纳和修剪。归纳是用一组预先分类的数据作为输入，判断最好用哪些特性来分类，然后将数据库分类，基于其产生的分类数据库再进行递归，直到所有的训练数据都完成分类。打造树的时候，我们的目标是找到特性来分类，从而创造出最纯粹的子节，这样，要将数据库中所有数据分类，只需要最少的分类次数。这种纯度是以信息的概念来衡量。一个完整的决策树模型可能过于复杂，包含不必要的结构，而且很难解读。因而还需要“修剪”这个环节，将不需要的结构从决策树中去除，让决策树更加高效、简单易读并且更加精确。
右上箭头：最大间隔超平面。左下箭头：支持向量。图片来源： KDNuggets 。
7、 支持向量机(SVM)
SVM可以分类线性与非线性数据。SVM的原理是将训练数据转化进入更高的维度，再检查这个维度中的最优间隔距离，或者不同分类中的边界。在SVM中，这些边界被称为“超平面”，通过定位支持向量来划分，或者通过最能够定义类型的个例及其边界。边界是与超平面平行的线条，定义为超平面及其支持向量之间的最短距离。SVM的宏伟概念概括起来就是：如果有足够多的维度，就一定能发现将两个类别分开的超平面，从而将数据库成员的类别进行非线性化。当重复足够多的次数，就可以生成足够多的超平面，在N个空间维度中，分离所有的类别。
8、 神经网络
神经网络是以人类大脑为灵感的算法，虽然这些算法对真实人脑功能的模拟程度有多少，还存在很多的争议。神经网络是由无数个相互连接的概念化人工神经元组成，这些神经元在互相之间传送数据，有不同的相关权重，这些权重是基于神经网络的“经验”而定的。“神经元”有激活阈值，如果各个神经元权重的结合达到阈值，神经元就会“激发”。神经元激发的结合就带来了“学习”。
9、 深度学习
深度学习相对来说还是个比较新的词汇，虽然在网络搜索大热之前就已经有了这个词汇。这个词汇在研究和业界都名声大噪，主要是因为其他一系列不同领域的巨大成功。深度学习是应用深度神经网络技术——具有多个隐藏神经元层的神经网络架构——来解决问题。深度学习是一个过程，正如使用了深度神经网络架构的数据挖掘，这是一种独特的机器学习算法。
10、增强学习
对于“增强学习”最好的描述来自剑桥大学教授、微软研究科学家Christopher Bishop，他用一句话精确概括：“增强学习是在某一情景中寻找最适合的行为，从而最大化奖励。”增强学习中，并没有给出明确的目标;机器必须通过不断试错的方式进行学习。我们来用经典的马里奥游戏举个例子。通过不断试错，增强学习算法可以判断某些行为、也就是某些游戏按键可以提升玩家的游戏表现，在这里，试错的目标是最优化的游戏表现。
K层交叉检验的例子，在每一轮使用不同的数据进行测试(蓝色为训练数据、黄色为测试数据)，方框下为每一轮的验证精度。最终的验证精度是10轮测试的平均数。图片来源： GitHub 。
11、K层交叉检验
交叉检验是一种打造模型的方法，通过去除数据库中K层中的一层，训练所有K减1层中的数据，然后用剩下的第K层来进行测验。然后，再将这个过程重复K次，每一次使用不同层中的数据测试，将错误结果在一个整合模型中结合和平均起来。这样做的目的是生成最精确的预测模型。
12、贝叶斯
当我们讨论概率的时候，有两个最主流的学派：经典学派概率论看重随机事件发生的频率。与之对比，贝叶斯学派认为概率的目标是将未确定性进行量化，并随着额外数据的出现而更新概率。如果这些概率都延伸到真值，我们就有了不同确定程度的“学习”。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
944
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
