...继续阅读 (45)

...继续阅读 (45)

...继续阅读 (43)

AI人机大战即将开始，来自中国的6位顶尖德扑高手对阵“冷扑大师”Libratus, 卡内基梅隆大学研发的无限扑克人工智能系统。关于德扑AI有两个核心问题: "它是如何工作的？" 和" 为什么这么玩能赢？" 对于第一个问题的答案是一些算法的名字(i.e. Counterfactual Regret Minimization）。对于第二个问题的答案是博弈论中的一些概念(i.e. Nash Equilibrium)。网上已经有很多好的文章，有兴趣的同学可以看看。但如果你跟我一样，同时对AI和德扑都非常感兴趣，除此之外肯定还有一大堆跟进问题。出于好奇，我最近看了不少相关资料。以下是我认为一些比较有趣的问题:1. 网上都说AI太厉害了，人基本上没有希望赢。这个比赛还有什么看点吗?我认为还有好几个有趣的观察点。其中我最感兴趣的一个问题是: “中国队的最终结果是否能够接近于美国队的结果?”美国的4个选手最终的结果是-14BB/100。也就是说，平均每跟AI打100手牌，就会输掉14个大盲注。中国战队是否可以超越这个成绩，还是很有悬念的。2. BB/100是什么? 我只听说AI上次赢了好几百万钱数是个虚荣数据，完全没有意义的。其实第一次比赛并没有用真钱，所以"几百万"只是一个为了传媒效应而随机选出来的倍数。如果当时他们玩的是1分/2分，结果也是一模一样的。只不过标题如果是“AI赢了人类73.2块钱 ...继续阅读 (48)

...继续阅读 (48)

...继续阅读 (41)

...继续阅读 (49)

挺有趣的问题，不过问题定义得有点模糊，发朋友圈和自己思考写文章这两件事包含太多不同点了，要说对思维的影响，可以从media multitasking这个点来说一下。整天发朋友圈这种习惯跟集中时间做事有一个很大的不同点在于，我们在发朋友圈的同时还在做别的，比如在看书写东西的时候刷一下朋友圈，或者一边看视频，一边在刷朋友圈，这种现象可以被定义为media multitasking.那么media multitasking对认知功能的可能影响有哪些呢？2015年的一篇综述归纳了近年来研究media multitasking与认知控制相关性的文献，结果如下：注：认知控制功能包含三种：任务切换、无关信息过滤和工作记忆容量。HMMs=重度media multitasker, LMMs=轻度media multitasker，n/a = 没有数据; ns = 不显著; 倒数第二列是multitasking和控制功能的相关性，最后一列是HMMs-LMMs文章最后是这么写的：“Researchers often implicitly or explicitly state that media multitasking has negative effects on youths’ functioning. After carefully integrating the existing studi ...继续阅读 (44)

...继续阅读 (45)

...继续阅读 (35)

...继续阅读 (45)

每个人都不甘愿在默默无闻中迷失，麦基拥有着常人艳羡的身体素质，他更不可能任由自己在联盟中埋没。但他自身的注意力缺失、球商不足等缺点不断的冲垮着其他人对他的期待。在球探、经理的眼中，他的价值持续走低，他几乎就要泯灭在强手如云的美职篮中。第一次直观的见识到麦基高人一等的身体素质是在2011年扣篮大赛，那年风头正盛的格里芬掀起了扣篮狂潮，也当仁不让的荣获了那次扣篮大赛的总冠军，不过麦基的惊艳一扣却未因时间的消逝而褪色。从此，我的脑海里添加了关于麦基的记忆，也由衷的期待这个年轻人能在美职篮有所作为。但随后，麦基仅在奇才效力了三个赛季后就被送至掘金，从此由首发沦为替补，甚至遭遇到打不上球的尴尬。他的优点很突出，同时缺点也很明显。糟糕的时机判断令他的防守形同虚设，对手用出一个骗高中生般的虚晃都会引诱他凌空飞起，得到的结果便是一个投篮犯规，或者漏人后目送对手的轻松得分。15-16赛季，小牛冷藏了他，他在为数不多的时间内的表现刷新了卡莱尔对他的认知，这个令人们惋惜的大个子即将面临他生涯中最窘迫的境界，他可能要为自己的未来做出决策——直到勇士签下了他。来到勇士最初的一段时间内，麦基也找不到比赛的节奏。他经常出现在不该他出现的地方，目送着对手在篮下予取予求，然后还搭上莫名其妙的犯规。而勇士队快节奏反击也令他很难适应，一次他在快下时更是拦截了格林传给其他人的球完全破坏了那次反击。不过，科尔对他依旧很有耐 ...继续阅读 (42)

...继续阅读 (41)

...继续阅读 (44)

...继续阅读 (42)

...继续阅读 (41)

刚好前两天写了一篇文章研究Salesforce，主要针对他们十月份推出的人工智能项目 Einstein，希望可以回答你的问题。/01/ 从 Twitter 打算卖自己开始说起十年前，Twitter 和 Facebook 一样，是最为被外界看好的两种社交形态，原本以为这两个巨头会一路相爱相杀直到永远，谁能想到，十年后的 Facebook 依然这么活跃，各种广告业务也如火如荼，而它的好基友 Twitter ，却落得没人要的境地……自打 Twitter 要把自己卖了的新闻传出来，各大新闻媒体纷纷都在猜测谁将会接手。许多人认为对于各大科技公司来讲无论是谁收购 Twitter 都会是一桩好买卖，毕竟瘦死的骆驼比马大，Twitter 上成千上万的用户数据将会给他们的业务注入新鲜血液。而谁也没有想到，无论是 Google 还是迪士尼，都先后放弃了收购，剩下 Salesforce。就在大家以为 Twitter 将会被 Salesforce 并入麾下的时候，Salesforce CEO Marc Benioff 十分无奈地表示：股东们不同意收购 Twitter， 甚至将变卖股权作为威胁。事实上，在 Salesforce 宣布参与竞购时它的股价足足下跌了8%。十月十四号的时候，一切尘埃落地，Salesforce 迫于股东压力终于宣布放弃收购 Twitter，而股价立马就上涨了5.51%，颇富戏剧性。S ...继续阅读 (41)

...继续阅读 (43)

...继续阅读 (45)

...继续阅读 (40)

...继续阅读 (39)

...继续阅读 (43)

正好我们公司有同事亲赴前线做了采访，我这边就把2016年米兰设计周全部情况跟您做个分享吧，希望对您有帮助。文章很长，内容巨多，请做好心理准备~~(*^__^*)上周，全球最优秀的设计师齐聚国际时尚之都：意大利米兰。设计周期间，米兰七大区域纷纷上演精彩展览，设计之火燃遍全城。今年米兰喊出了格外霸气的口号：“O cisei,O ci devi essere （或你在这里，或你必须来）”这也难怪，今年大展聚集了全球2310个参展商，预计将迎来165个国家和地区超过30万的观众。这种泰斗级的设计展，已然是设计师无法缺席的盛会。作为全球最顶级的设计盛宴，可以说，米兰设计周最大的缺点就是：展览太多、活动太多了！上万件的展品，短时间怎么看得完？别担心，我特地为你精选了一些今年的满分设计，让你一睹为快！▲MAD，“无际”▲CITIZEN，time is “TIME”▲LUXUS， 预见▲佐藤大，50 Manga Chairs▲FORMMUNITY，回忆之森▲藤本壮介，森林之光▲Takeo，Subtle▲Scottie Huang,Breathing Pinecone你以为上面提到的这些吸引眼球的设计都集中在主会场里吗？不不不，整座米兰城都已经成了设计师的天堂，除了主会场外，还有另外六大年年火爆的设计展集中区域，他们是：1.米兰大学；2.托尔托纳区；3.布雷拉区；4.国际家具展；5.三年展设计博物馆 ...继续阅读 (45)

...继续阅读 (41)

...继续阅读 (48)

...继续阅读 (45)

经销商买的车第一次保养在外边做，不能回当地店里，因为会被举报。（一般三个月保护期，三个月之后当地4S就没法举报外地4S了）保养时和经销商说一下让外地4S出个系统，第二次保养就可以正常回4S店里了。 回答里确实很多人被4S的话术洗脑了，真的是被4S骗还帮着数钱。其实很多二级经销商老板之前都是4S的销售或者大客户出来单干的，没本事的才干销售顾问，懂得里面的规则后有资源的都干二级经销商了。 转两个同行的评论，第一段是汽车之家讲解4S与二级经销商区别的文章下的评论。小编确实是在偷换概念，而且很多评论也是在盲目跟风，我也是在做网点，在这里有必要说明一下。第一：服务，不单是我这边，就拿所有二网来说，如果算规模和正规性咱肯定比不上4S，但是如果说到服务，还真不一定4S比我们好，4S销售顾问归根究底是在打工，心情好时好好接待你，有说有笑，心情不好时你爱买不买，你不满意无非就是他损失个客户，就算成交你个单子他能拿多少提成？而我们不一样，我们进店量本来就少，每一个客户对我们来说都很珍贵，因为我们知道，我们不是给别人干的，而是自己。4S一般都是以进店量来衡量成交量，即进店越多就会成交越多。而我们不是，二网除非你把宣传做的非常好，大多数二网进店量都很少，那我们靠什么找客户？靠人脉！即4S所说的保有客户推介，这几乎成为大多数老牌二网保证销量的王牌，所以二网一般都是力求让每一位成交客户满意，能够为其创造后续价 ...继续阅读 (43)

确定隐含状态的数量，其实就是找出最大边缘似然值的模型，即所以一个很自然的起点就是用BIC来暴力搜寻，虽然严格来讲BIC只是一个近似方法。不放心的话再加个交叉验证。这种暴力搜寻法算一类。另一类方法就是MCMC推断法。这类方法最常见的就是Dirichlet process混合模型，可以用来拟合Gibbs采样。Beal和Teh的论文有详述，答主@杨超 比我更懂。还有一个很老的方法叫reversible jump MCMC，具体这是个啥我也不知道，但我知道这方法基本没人用。再有一类就是变分推断法。具体的算法不展开，简单地说就是变分贝叶斯(Variational Bayes)和EM算法结合，求取边缘似然函数的变分下界，也就是。有了下界，我们就可以近似了。推断法通常要比暴力搜寻法要快。道理也很简单，推断法可以在判断出隐含状态数量K的效果不够好的时候就不再继续求模型的后验分布了，但暴力搜寻会一路走到黑。正如几位答主共同提到的那样，在不了解研究对象也不懂模型原理的情况下直接用上述方法来得到一个K，那只能是炼丹的巫术。根据领域知识预先就可以设定好隐含状态数量，才是坠吼的。比如我在之前的一个回答里面提到过，在统计套利中，HMM用来校准价差的参数。我们通常假设价差是服从Ornstein–Uhlenbeck过程的，也就是假设价差是均值回归的。但价差在真实状态空间里是有可能不服从均值回归的，那么很自然地把隐 ...继续阅读 (41)

...继续阅读 (47)

...继续阅读 (43)