7.x 发布已经有一段时间，想通过本 Chat 分享一下我们对 7 版本的调研总结，看看相对于 6.x 系列有哪些差异，并介绍一下这些新特性的原理。 本次 Chat 将涉及： 在调研过程中，我们也对新特性做了许多测试，例如： - 新版本在写入速度上的差异； - 增强的弹性和稳定性； - 性能的优化； - 功能的变化； 实际测试对于了解一个新版本是必须的，在此也将测试结果一起分享给大家，同时有什么疑问，也欢迎报名本场 Chat，一起在群内交流。 ----- <font size=3>拓展阅读：[《高可用 Elasticsearch 集群 21 讲》](https://gitbook.cn/m/mazi/comp/column?columnId=5ce4ff9a308dd66813d92799&utm_source=chat0805)</font>

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。

位运算是我们在编程中常会遇到的操作，但仍然有很多开发者并不了解位运算，这就导致在遇到位运算时会“打退堂鼓”。实际上，位运算并没有那么复杂，只要我们了解其运算基础和运算符的运算规则，就能够掌握位运算的知识。 本篇 Chat，你将收获如下知识： - 位运算的基础：二进制和补码 - 运算符介绍 - 按位与 - 按位或 - 按位异或 - 左移动运算 - 右移运算 - 按位取反 - 位运算的应用 适合人群：所有领域的开发者

本文将分享一种在业界被广为使用的优化搜索算法——模拟退火。该算法是一种全局的优化搜索算法，被大量运用于解决物流车辆的调度问题或者是物流配送的路径规划问题。其思想源自物理热力学，假设有一固体处于高温状态，在某一温度管理算法的控制下逐渐降温，而固体内的分子排布也随着温度的变化而变化，直到温度降低至人为阈值或者是零度时，将固体内的最终分子排布视作最优解序列。 本文由以下三个部分组成： 1. 模拟退火的基本原理解析与核心细节剖析； 2. 模拟退火算法的 Java 实现； 3. 模拟退火的车辆路径规划问题的小型地图实战演练。

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。

爬山算法是一种启发式算法，具有局部搜索最优解或最优近似解的良好性能，在物流配送、路径规划等物流调度方面被广泛使用。本文从传统的爬山算法引入，进而提出了一种具有适应预设边表的爬图山算法，以便该算法能够更加适应具有固定的边集合的预设道路，从而在约束条件下取到局部最优解。本文还结合 Dijkstra Algorithm 进一步提出混合算法 HCDA。 关键词：爬山算法；最短路径；Dijkstra Algorithm；算法优化；混合算法 阅读本文的收获： 1. 能理解并掌握爬山算法与 Dijkstra Algorithm 的原理及基本实现； 2. 基于爬山算法改进的适应具有预设边表的爬图山算法； 3. 基于爬山算法与 Dijkstra Algorithm 结合的混合算法 HCDA。

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。

5G 是什么？对于非通信专业领域的人士而言，哪些知识点是必备的？5G 从何而来，又将去向何处？与我们的生活如何息息相关？ 本文将从以下几个方面铺开介绍： 1. 5G 的前世今生； 2. 5G 的特点和技术优势； 3. 5G 的若干典型应用场景； 4. 5G 将如何影响和改变我们的生活； 5. 5G 在当前中美贸易角力中所扮演的角色。 通过上述方面的介绍，帮助你跳出“提速降费”的固化印象圈，更好地投入到信息革命的浪潮之中，以迎接更美好、更便捷、更高效的未来社会。

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

聊聊 JDK 源码，聊聊算法。 本场 Chat 主要内容： - 什么是选择问题 - 比较（Comparable）能力 - java.lang.Comparable 比较接口 - 数组排序 - 集合排序 - String 源码中的排序算法 - String 存储结构 - String 比较方法源码解析 - 常见字符 ASCII 码 - 弊端分析总结

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

前段日子我那尚在幼儿园的小弟弟拿着旧报纸上的一道迷宫难题来找我，要我帮他找出一条通路来，我看到题目的一瞬间我是懵逼的，那个迷宫之巨大，足足占据了三分之一的报纸版面，我苦思冥想，不停地动笔涂涂画画，总算是找到了一条弯弯曲曲的通道，可以联通两个出口。 回家后我就在想，报纸上只是单纯要找出一条通道罢了，那么如果给定 N 对对象，要我判断是否连通，那我岂不是得算到天昏地暗去了，于是乎兜兜转转地找到了一种算法——并查集。通过这个算法就可以帮助我们快速地判断两点之间是否存在通路。 通过本场 Chat，你可以收获到以下内容： 1. 并查集算法的基本思想及其原理实现与算法分析； 2. 并查集算法的进一步优化，改进算法的连接操作； 3. 带权的并查集算法实现及其思想； 4. 带路径压缩的带权的并查集算法思想及其实现。

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

最近，一个研究生来面试，竟然连逻辑回归的算法都讲不清楚，这或许就是古人说的 “日用而不知” 吧，我想我们都不想只做一个 “调包者” ，而是成为一个 “明白人” 。 本场 Chat 我们以逻辑回归为切入点，从统计学基础知识，到线性回归、逻辑回归原理，公式推导，Python 代码实现，最后剖析一个业务模型等一系列步骤，配合大量图片及代码，来串起一条机器学习入门的基本线。 通过本场 Chat ，您将学习到以下内容： 1. 统计学基础知识，如方差、随机变量、概率密度函数、二项分布、泊松分布、大数据定律、正态分布、中心极限定理、置信区间等； 2. 简单直白地介绍线性回归、逻辑回归（直观、轻松感受）； 3. 线性回归推导，如极大似然估计；最小二乘法推导、梯度下降法推导及 Pthon 代码求解参数等； 4. 逻辑回归推导，包括逻辑回归成本函数；梯度下降法推导及 Pthon 代码求解参数等； 5. 构建业务模型，包括业务分析、数据清洗、模型训练、模型评估、保存模型、模型API、模型应用等； 6. 逻辑回归与 Softmax 区别及联系； 7. 总结。

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。

要想从事数据分析相关工作，要学的东西太多了，到底该怎么学？ 学哪些？ 通过 Chat ，你会在最短时间内，系统地学到数据分析如下知识： 1. 数据科学的完整学习路线 2. 数据清洗(真正项目中此部分费时费力)的实施主要步骤( 5 方面展开) 3. 零基础掌握 Python 核心知识 4. NumPy：1 个对象和 2 大机制使用总结 5. Pandas：2 个对象和 20 个常用函数总结 6. Matplotlib：提炼为 100 行代码 7. 机器学习以最经典的线性回归为例，从理论，公式推导，到手写代码实现算法 8. 实战与分享 1 门哈佛大学的数据科学开源课程 9. 分享 2 个数据科学面试经历 10. 本场 chat 总结：1 条数据分析的入门学习路线 + 1 个数据分析核心任务的实施步骤 + Python 语言核心用法总结 + 3 个科学包的工程使用提炼总结 + 机器学习入门 + 1 门名校数据分析课程分享实战 + 2 个面试经历分享 11. 注：预计全文字数 2 万+，干货满满

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。