有抱负的程序员应看的10个TED演讲

投递人 itwriter  发布于 2013-02-28 10:23  评论(62)  有5337人阅读   原文链接   [收藏]   «  »

  英文原文:Nathaniel Whittemore,编译:伯乐在线——黄利民

一年一度的 TED 大会,这是创造力和好奇心的庆典。对全球诸多领袖人物来说,这是一次对知识的麦加朝圣。Nathaniel Whittemore 近日在发布了一篇文章,为有抱负的程序员整理了 10 个 TED 大会演讲。伯乐在线编译如下:

  TED 起源于 20 世纪 80 年代(1984 年),是一个小型独家聚会,参与人都是对技术(Technology)、娱乐( Entertainment)和设计(Design)感兴趣的思考者。TED 目前已成长为一股强大的文化力量,其足迹包括了数以百计的 TEDx 大会,数以百计的免费网络视频,还有不断在扩大的行动计划,比如为课堂改造 TED 视频内容的 TEDed 行动。

// 译注1:TEDx 是由 TED 于 2009 年推出的一个项目,旨在鼓励各地的 TED 粉丝自发组织 TED 风格的活动。截至 2010 年 4 月,已经有 500 多场 TEDx 在世界各地的城市和乡村举办。

ted logo

  大多数人了解 TED 是从 TED 的在线演讲视频开始。从 2006 年起,TED 大会的演讲视频被上传到网上,视频总浏览量已超过 10 次。这些视频也是 TED 影响力进一步扩大的核心。

  我们认为,下面这 10 个演讲视频对有抱负的程序员来说会很有共鸣。当然对其他类型的学习者来说也会如此。演讲视频随机拍,顺序并无特别含义。

// 译注2:TED 演讲的主题并不仅仅局限于技术、娱乐和设计。事实上,科学、教育、发展、文化、商业、艺术等等话题也经常出现。演讲中也会穿插一些艺术家的表演。——维基百科“TED 大会”词条

  米科·哈普宁:对抗病毒,保卫网络》 自首个电脑病毒(Brain A)攻击网络至今已经 25 年了,曾经只是让人烦恼的小东西,现在已经变成了为犯罪和间谍服务的尖端工具。电脑安全专家米科·哈普宁为我们展示如何阻止新型病毒对互联网的威胁。

[ted id=1192 lang=zh-cn]

  Peter Norvig:容纳十万人的教室2011 年秋季,Peter Norvig 和 Sebastian Thrun 在斯坦福大学开办了一个由 175 在校学生出席的的“人工智能”课程——这同时还有超过十万的学生通过互动直播来观看这个网络课程。他将与我们分享从这个环球教室的所学所得。

(推荐阅读:《Peter Norvig:自学编程,十年磨一剑》)

  Jeff Hawkins:大脑研究将改变计算机科学手提微型电脑 Treo 的发明者 Jeff Hawkins 建议学者们从另一个角度去研究大脑,传统看法把大脑看成中央处理器,他建议把大脑看成一个记忆体,用于贮存和重演经历来有智慧地预计将会发生的事情

  凯文·斯拉文:算法如何塑造我们的世界 凯文·斯拉文认为我们生活在一个为算法设计的世界 — 并且日益为算法所控制。在这个来自 TEDGlobal 非常精彩的演讲中,他展示了这些复杂的计算机程序是如何决定:间谍策略、股票价格、电影剧本和建筑。他警告道,我们正在编写我们无法理解的,可能不受控制的代码。

  凯瑟琳舒尔茨:犯错的价值每个人都会避免犯错,但或许避免犯错本身就是一种错误?“犯错家“凯瑟琳舒尔茨告诉我们,或许我们不只该承认错误,更应该大力拥抱人性中“我错故我在“的本质

  Salman Khan:视频重塑教育Salman Khan 给我们讲述开创 Khan 学院的过程及原因。Khan 学院不仅有良好的数学视频教学体系,而且也包含有别的学科。他给我们展示了互动式的练习,并且呼吁老师们打破传统的教学模式,将视频教学融入其中,让学生在教室老师的指导下完成所谓的“家庭作业”。

  Thomas Suarez:一名 12 岁的手机应用开发者 很多 12 左右的孩子都喜欢玩游戏,而 12 岁的 Thomas Suarez 则自学成才,创造游戏。在成功地开发了 Bustin Jieber(一款类似于“打地鼠”的游戏)等手机应用之后,他现在开始帮助其他的孩子成为应用开发人员。 (拍摄于 ManhattanBeach,TEDx)

  Shimon Schocken:自组织式计算机课程 Shimon Schocken 和 Noam Nisan 为学生开发了一套逐步制造电脑的课程,当他们把课程放到网上后–同时放出了工具,模拟器,芯片规格和其他制造区块–他们很惊奇的发现数千人接受了这个学习的机会,独立制造,同时在第一批 MOOC 上组织起自己的线上课程。Shimon Schocken 号召结束成绩评定标准,接入自我激励的学习方法。

  Mitch Resnick: Let’s teach kids to code很多人认为未来的“第二语言”不是汉语、也不是西班牙语,而是编程语言。 MIT 媒体实验室主管 Mitch Resnick 认为,并不只有电脑奇才才能编程,人人都可编程。在这个有趣又有示例的演讲中,Resnick 概述了给孩纸们教编程的好处。所以他们不仅只能“明白”技术,也应当能“创造”技术。(拍摄于 TEDxBeaconStreet)

//译注:这个演讲没有中文字幕。另外,关注这个演讲的主题,伯乐在线在 2011 年编译过 John Graham-Cumming 的一篇博文《教孩子们编程》,讲的是英国的事。2012 年 9 月,东欧的爱沙尼亚为所有入学儿童引入编程课

  Ken Robinson 认为学校扼杀创造力 》关于建立培养创造力(而不是扼杀创造力)的教育体系,Ken Robinson 发表了一番幽默生动的演讲。

19
1
 
来自:  blog.jobbole.com
找优秀程序
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值