这篇文章将详解爬虫处理登陆过程中出现的滑动验证的细节，不管你是小白还是大神都老少皆宜；和人工智能过招，你将学会下面核心技术： 1. 如何真实模拟人为轨迹 2. 如何准确快速识别滑块距离 3. 如何防止被识别为爬虫 4. 滑动验证变种的处理 5. 下一步滑动验证如何升级 学完上面后可在某京某宝上自行验证。通过本篇教程，你将学会处理滑动验证的核心思想并用之与人工智能对抗；学了后再面试中你讲成为面试官眼中的 Python 爬虫大神，在实际工作中你将轻松解决爬虫登陆问题。该技术源于解决某京登陆的问题，为避免侵权，案例以公开体验的网盾滑动验证来说明！

障碍物行为预测是无人驾驶系统的核心模块之一。预测模块承接上游感知模块，结合高精地图和主车的定位信息，对周边障碍物的未来运动情况进行预测，帮助主车提前作出决策，从而降低交通事故的发生率，在无人驾驶系统中发挥着承上启下的关键作用。 在百度 Apollo 自动驾驶开源平台中，障碍物行为预测分为车辆轨迹预测和行人轨迹预测两大类。在车辆轨迹预测中，分为意图预测和速度预测两个过程。意图预测根据不同的场景，通过深度学习神经网络给出各行为意图的概率。速度预测考虑与主车的交互，运用采样+代价函数选择的方法，给出合理的速度预测。 在这次分享中，我们将讨论 Apollo 5.0 中开放的新技术： 1. 路口场景预测模型 2. 语义地图预测模型 3. 基于交互的预测模型 4. 行人预测模型 ---- 作者简介：许珂诚，百度资深研发工程师，百度 Apollo 平台预测方向技术负责人。复旦大学数学专业本科，美国德克萨斯大学大学奥斯汀分校计算数学硕士，主要方向为机器学习。2017 年 3 月加入百度，参与 Apollo 1.0 至 5.0 的开发工作至今，主要负责障碍物行为预测方向的研发工作。

随着深度卷积神经网络（CNN）的发展，人脸识别已经取得了近乎完美的识别性能，并已经应用于我们的日常生活中，如手机解锁，门禁，人脸支付等。然而，这些人脸识别系统容易受到各种方式的攻击，如打印攻击、视频回放攻击等，使得识别结果变得不可靠。本场 Chat 我们就来做一个简单的实时活体检测系统，由于数据集有限，我们只做打印攻击活体检测。具体内容包括： 1. 简单过一遍已有的活体检测算法 2. 使用 MTCNN 进行人脸检测 3. 准备活体检测数据集，使用 Pytorch + MobileNet 训练活体检测模型 4. 编写程序，调用笔记本摄像头，将活体检测实时应用于所拍摄数据，实时显示检测结果 本场 Chat 适用于入门人工智能的同学，具备一定的 Python 编程能力，照着做，就能做出效果。

轨迹规划是无人驾驶系统的核心模块之一。轨迹规划模块承接上游感知、预测、决策等模块，规划无人驾驶车一段时间内的具体的驾驶行为，以轨迹的形式输出给下游控制模块执行。轨迹规划算法的优劣直接决定了无人驾驶车的安全性和舒适性，在无人驾驶系统中发挥着至关重要的作用。 在百度 Apollo 无人驾驶开源平台中，轨迹规划分为路径规划和速率规划两个顺序过程。路径规划结合道路边界线、静态障碍物的信息，产生轨迹的几何信息。速率规划在给定的路径下，考虑动态障碍物的预测轨迹、道路限速信息和决策信息，产生安全舒适的速率分配。 在这次分享中，我们将讨论： 1. 在 Frenet 坐标系下的轨迹规划的路径和速率分解 2. 基于离散分段的路径规划算法 3. 基于离散分段的速率规划算法 ---- 作者简介：张雅嘉，百度高级架构师，百度 Apollo 平台规划方向技术负责人。有多年机器人运动规划方向的研发经验，曾带领团队参加 DARPA 机器人竞赛。2016 年加入百度，从事无人驾驶平台规划方向的研发工作。

在深度学习最火的时候，相信很多人都听过“AI 视频换脸”这个词，甚至不少人从一些网站的视频中看过换脸之后的效果；想必当时也有一颗跃跃欲试的心，但又觉得学习成本太高，AI 换脸操作复杂而放弃了，当然这也是笔者当时所遇到的一些问题，不过花了一周时间研究之后，已经掌握了不少技巧，希望通过本次 Chat 和大家分享。 通过本次 Chat 分享，将获得以下能力： 1. 熟悉深度学习的显卡挑选 2. 熟悉视频换脸素材挑选 3. 掌握视频换脸操作步骤 4. 能独立完成视频换脸操作 5. 对深度学习有基本的认知

在前面一篇 Chat 中，我们利用矩阵的特征值分解对数据进行主成分分析。这种方法有一定的局限性：即要求矩阵必须是方阵且能够被对角化。那么如果拓展到一般情况，对于任意形状的矩阵我们该如何处理呢？ 这篇 Chat 将介绍一个更通用的利器：奇异值分解。他可以对任意形状的矩阵进行分解，适用性更广。我们可以将特征值分解看作是奇异值分解的特殊情况，先从特征值分解的几何意义入手，然后从特殊到一般，在空间的背景下引导大家一步一步探索奇异值分解方法的推导过程，从头摸索一遍方法的来龙去脉，并具体运用他对数据进行降维处理。 全文主要内容如下： 1. 回顾特征值分解的几何意义 2. 探讨奇异值分解的具体实施细节 3. 从行和列两个维度进行数据压缩和矩阵近似 4. 利用 Python 进行奇异值分解

这一次将给大家介绍在学术界和工业界主流以及非常实用的深度学习卷积神经网络架构核心设计技术，内容时间跨度超过 10 年，覆盖的核心设计思想超过 10 余种，有助于给大家在工业界实践中设计更加强大，高效的卷积神经网络提供指导和建议。 内容主要覆盖以下部分： 1. 如何决定和迭代一个模型的深度 2. 如何决定和迭代一个模型的宽度 3. 如何使用好通道的维度变换技术 4. 如何增强网络各层信息的融合 5. 如何提高网络参数的利用率 6. 如何最优化网络的分辨率变化（步长，池化） 7. 如何使用好 BN、Dropout 等正则化技术 8. 如何对网络的各个通道进行更加有效的分组使用 9. 如何利用剪枝和量化技术去除网络冗余 10. 如何使用好迁移学习技术 11. 工程技巧

在数据分析的过程中，我们会通过观察一系列的特征属性来对我们感兴趣的对象进行分析研究，一方面特征属性越多，越有利于我们细致刻画事物，但另一方面也会增加后续数据处理的运算量，带来较大的处理负担，我们应该如何平衡好这个问题？利用矩阵的特征值分解进行主成分分析就是一个很好的解决途径。 主成分分析是机器学习中的核心算法之一，本文将基于 Python 语言，为读者深入浅出的分析他的来龙去脉和本质内涵，相信读完此文，将扫清你心中的所有疑虑，今后在应用他解决实际问题的时候也能更加得心应手。 本文主要内容有： 1. 对称矩阵的基本性质 2. 对称矩阵的对角化与特征值 3. 数据降维的需求背景与主要目标 4. 主成分分析法降维的核心思路 5. 主成分分析的细节实现过程 6. 推广到 N 个特征的降维实现

足球是世界上最火爆的运动之一，如何运用机器学习来预测足球比赛结果，是每一个足球爱好者所向往的！ 本场 Chat 适合有 Python 基础的机器学习初学者，我们带你一起熟悉机器学习的开发流程，帮你快速建立起自己的英超比赛预测模型！ 你将获取到如下内容： 1. 人工智能在线建模平台介绍； 2. 熟悉机器学习开发流程； 3. 熟悉 Python 数据挖掘库 NumPy、Pandas、Scikit-Learn 等开发库的基本使用； 4. 熟悉常见分类算法（逻辑回归、SVM 和 XGBoost）及其评价指标； 5. 部署完成一个属于自己的预测模型。

传感器标定是无人车中最基础也是最核心的模块之一。作为软件层提供的第一项服务，标定的质量和准确度对感知、定位地图、PNC 等模块有着极大的影响。在 Apollo 开放平台中，我们提供了丰富的多传感器标定服务，如激光雷达，惯导、摄像头、多普勒雷达等多种传感器之间的标定。 传感器标定算法通常覆盖了常规的 L2-L4 级别自动驾驶的传感器配置和标定需求，其覆盖广，复杂性高。那么开发者如何更好地应用这项技术呢？欢迎一起学习讨论！ 本次 Chat 主要内容： 1. 多传感器标定简述 2. Apollo 标定流程详解 3. 多传感器标定实际应用分析

关注人工智能的同学，都知道百度云、阿里云上面都有很多人工智能服务 API 可以调用，外行的人都觉得很高深，殊不知，其实我们自己也可以做得出来。 为了帮大家揭开人工智能的神秘面纱，本 Chat 将带领大家从零开始训练自己的文字识别模型，编写 API 服务，并创建一个 Web 页面来演示其功能。以此，让大家快速走一遍模型训练和部署的过程，获得成就感，激发自己的学习兴趣。 本场 Chat 的主要内容有： 1. 如何获取训练数据集 2. Yolo V3 原理介绍 3. 使用 Yolo V3 训练文字检测模型 4. 使用 Pytorch 训练文字识别模型 5. 编写模型 API 服务 6. 使用 Docker + Flask 部署模型 7. 文字识别系统完整设计方案 本次 Chat 适合对人工智能感兴趣且有一定编程基础的工程师。

网上关于机器学习中的数学基础知识的文章非常混杂。有些文章推荐太过全面，比如推荐《MIT 线性代数》,《微积分入门》,《概率论入门》等系列课程和书籍，这对初学者非常的不友好。而有些文章又过于简略，机器学习虽说不用精通各类数学知识，但全面理解相关数学基础也是非常关键的，很多作者想一篇文章概括所有在机器学习中重要的数学基础是很不现实的。 为此，我想利用一场 Chat 对机器学习中基础的概率统计知识进行全面的梳理，并结合相关机器学习算法进行巩固。 本场 Chat 您将了解如下内容： 1. 机器下学习为什么要使用概率统计； 2. 机器学习中涉及的主要概率统计知识基础； 3. 结合机器学习算法讲述概率统计知识的应用。

我发现网上非常多资料是讲人脸识别原理的，却很少有讲人脸识别如何应用落地的。所以本场 Chat 我将应用一个开源人脸识别模型做一个人脸搜索系统。 通过本场 Chat 你能够学到如下内容： 1. 人脸识别原理简要说明； 2. 人脸识别开源项目 Insightface 环境搭建； 3. Insightface 算法关键代码剖析； 4. 通过 Annoy 实现人脸特征编码的向量搜索； 5. 通过 Flask 构建人脸特征编码入库、搜索 API 服务； 6. 使用 Flask+Docker+Gunicorn+Nginx 部署人脸搜索系统； 7. 人脸搜索系统整个项目的完整设计过程。

毫无疑问 IoT 物联网开发将是继移动互联网之后又一个新浪潮，企业对物联网开发工程师的需求也会随之爆发，普通的程序员如何快速转向物联网开发？ 本场 Chat 将围绕 IoT 物联网的硬件传感器数据采集，数据通过 MQTT 上传，云端数据存储，数据可视化展示，异常告警实时推送串联一个完整的环境监控实战案例，手把手带你进入 IoT 开发领域。 本场 Chat 包含三个部分(2019-1-16发布) 1. IoT 物联网开发基础介绍； 2. 硬件数据采集开发实战； 3. 云端数据存储，可视化，实时告警开发实战。 适宜人群： - 对物联网平台入门感兴趣的开发人员； - 渴望掌握物联网实际开发经验的人员。

谷歌地图没有直接给路书的功能，在这里模拟一个，车辆上会随时传一个坐标值，通过后端的桥接，即时反馈给前端这些数据，得到坐标点，就可以进行地图打点，实现一种类似导航的效果，来展示位置所在。 本 Chat 内容有： 1. 实时位置展示； 2. 路线回放功能； 3. 路线记录功能。 通过本次 Chat 可以更好的借助谷歌地图的一些 API 来更好的拓展好玩的一些功能。

在 NLP 中，BERT 最近很火，是 NLP 重大进展的集大成者，是最近最火爆的 AI 进展之一。对最新的 Google BERT 模型我们有这样的疑问： 1. 什么是 BERT，这个模型是怎么来的； 2. 刷新了很多 NLP 任务的最好性能，有些任务还被刷爆了，BERT 值得这么高的评价吗； 3. 它有重大的理论或者模型创新吗？ 这篇 Chat 中除了得到以上疑问的答案，您可以得到： 1. 从图像预训练为例，解释预训练的过程和意义； 2. Word Embedding 的发展历程； 3. Embedding from Language Models，ELMO 模型讲解； 4. Generative Pre-Training，GPT 模型讲解； 5. BERT 的诞生和“肢解”（ELMO 和 GPT 的优势集成）。

未来，人工智能是生产力，是变革社会的主要技术力量之一。 掌握人工智能技术，需要从基础的机器学习算法开始学习，逐渐建立机器学习知识体系。 本场 Chat 首先带大家入门什么是机器学习和机器学习的应用领域，帮助大家建立机器学习的概念模型，然后用最简单的线性回归和逻辑回归算法，让大家掌握机器学习神秘的“三板斧”（解决方法）。 通过举一反三，引导大家建立以后机器学习和深度学习的学习路线。 本场 Chat 您将了解如下内容： 1. 了解机器学习的概念； 2. 揭开解决机器学习问题的的神秘“三板斧”的面纱； 3. 详解经典的机器学习预测与分类问题的解决思路、算法、代码； 4. 帮助规划适合小白的机器学习、深度学习的学习路线； 5. 提供自己整理的经典机器学习资料。

本场 Chat 结合 PyQt5、OpenCV 以及 face_recognition 做一个人脸识别的项目，实现功能包括图片的识别，以及读取 USB 摄像头进行识别。 通过本场 Chat 你能够学到如下内容： 1. PyQt5 设计过程； 2. Matplotlib 如何嵌入到 PyQt5 中； 3. OpenCV 对图像的操作； 4. face_recognition 环境的搭建； 5. 使用 face_recognition 进行精确人脸识别（据说识别率高达 99.3%）； 6. 整个项目的完整设计过程。

阿里巴巴 2018 年开源的语音识别模型 DFSMN，将全球语音识别准确率纪录提高至 96.04%。DFSMN 模型，是阿里巴巴的高效工业级实现，相对于传统的 LSTM、BLSTM 等声学模型，该模型具备训练速度更快、识别更高效、识别准确率更高和模型大小压缩等效果。 本场 Chat 的主要内容包括： 1. 语音识别流程简介； 2. Kaldi 的部署使用； 3. 如何训练基于中文的 DFSMN 声学模型； 4. 语音特征提取 MFCC 算法源码解读； 5. 语音识别工具对比。

深度学习作为基于神经网络发展起来的技术，入门深度学习怎么能缺少对神经网络的认识呢？ 本场 Chat 主要目的便是为了帮助大家更好的认识神经网络，为接下来的卷积神经网络（深度学习）做好预备工作。本文会以通俗易懂的话语加上适当的配图帮助读者更好的阅读理解神经网络；相关的 Demo 也会同步上传到 Github 上供大家参考。非常欢迎想要入门深度学习的小伙伴来围观，对于转战深度学习的小伙伴也非常欢迎。 本场 Chat 主要内容： - 机器学习与深度学习； - 神经网络历史； - MP 网络模型； - 感知器； - 多层感知器； - 误差反向传播算法； - 损失函数； - 随机梯度下降法； - 超参数及优化算法。