Group items tagged

一、产业化实施

目的就是实现由技术向产品和服务的转化，是技术商业化的过程，是知识资本的市场价值实现。

现代市场体系下，任何企业不可能也不被允许实行技术垄断，技术产业化实施也是相互依存的，专利技术的产业化实施必然相互交叉，这也是通过谈判或诉讼收取实施许可费的原因。

1、顺丰布局“新零售”：未来对标12万亿大物流市场； 2、雄安新区首家双创中心挂牌 首批11家企业入驻； 3、沃尔玛部分门店暂停使用支付宝 专家：有损公平交易； 4、人人车被指凭空收取服务费； 5、北京出租车试点实名制计价器 支持移动支付和银行卡付费； 6、苹果或发布一款新配色iPhone X来提振销量； 7、孙宏斌：乐视网已成妖股，散户亏钱别骂我； 8、微信屏蔽抖音？官方：不存在，防刷屏机制一直都有； 9、九鼎回应停牌3年内情 跨境收购富通保险耗时较长； 10、美团点评CEO王兴表示，美团打车业务已经在所进入的城市拿到1／3的市场份额。

人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，

芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。

正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。

下面是一些比较重要的算法，原文罗列了32个，但我觉得有很多是数论里的，和计算机的不相干，所以没有选取。下面的这些，有的我们经常在用，有的基本不用。有的很常见，有的很偏。不过了解一下也是好事。也欢迎你留下你觉得有意义的算法。（注：本篇文章并非翻译，其中的算法描述大部份摘自Wikipedia，因为维基百科描述的很专业了）

A*搜寻算法俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的NPC的移动计算，或线上游戏的BOT的移动计算上。该算法像Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。 Beam Search束搜索(beam search)方法是解决优化问题的一种启发式方法，它是在分枝定界方法基础上发展起来的，它使用启发式方法估计k个最好的路径，仅从这k个路径出发向下搜索，即每一层只有满意的结点会被保留，其它的结点则被永久抛弃，从而比分枝定界法能大大节省运行时间。束搜索于20 世纪70年代中期首先被应用于人工智能领域,1976 年Lowerre在其称为HARPY的语音识别系统中第一次使用了束搜索方法，他的目标是并行地搜索几个潜在的最优决策路径以减少回溯，并快速地获得一个解。 二分取中查找算法一种在有序数组中查找某一特定元素的搜索算法。搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。这种搜索算法每一次比较都使搜索范围缩小一半。 Branch and bound分支定界(branch and bound)算法是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。 数据压缩数据压缩是通过减少计算机中所存储数据或者通信传播中数据的冗余度，达到增大数据密度，最终使数据的存储空间减少的技术。数据压缩在文件存储和分布式系统领域有着十分广泛的应用。数据压缩也代表着尺寸媒介容量的增大和网络带宽的扩展。 Diffie–Hellman密钥协商Diffie–Hellman key exchange，简称“D–H”，是一种安全协议。它可以让双方在完全没有对方任何预先信息的条件下通过不安全信道建立起一个密钥。这个密钥可以在后续的通讯中作为对称密钥来加密通讯内容。 Dijkstra’s 算法迪科斯彻算法（Dijkstra）是由荷兰计算机科学家艾兹格·迪科斯彻（Edsger Wybe Dijkstra）发明的。算法解决的是有向图中单个源点到其他顶点的最短路径问题。举例来说，如果图中的顶点表示城市，而边上的权重表示著城市间开车行经的距离，迪科斯彻算法可以用来找到两个城市之间的最短路径。 动态规划动态规划是一种在数学和计算机科学中使用的，用于求解包含重叠子问题的最优化问题的方法。其基本思想是，将原问题分解为相似的子问题，在求解的过程中通过子问题的解求出原问题的解。动态规划的思想是多种算法的基础，被广泛应用于计算机科学和工程领域。比较著名的应用实例有：求解最短路径问题，背包问题，项目管理，网络流优化等。这里也有一篇文章说得比较详细。 欧几里得算法在数学中，辗转相除法，又称欧几里得算法，是求最大公约数的算法。辗转相除法首次出现于欧几里得的《几何原本》（第VII卷，命题i和ii）中，而在中国则可以追溯至东汉出现的《九章算术》。 最大期望（EM）算法在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

快速傅里叶变换(FFT)快速傅里叶变换（Fast Fourier Transform，FFT），是离散傅里叶变换的快速算法，也可用于计算离散傅里叶变换的逆变换。快速傅里叶变换有广泛的应用，如数字信号处理、计算大整数乘法、求解偏微分方程等等。本条目只描述各种快速算法，对于离散傅里叶变换的性质和应用，请参见离散傅里叶变换。 哈希函数HashFunction是一种从任何一种数据中创建小的数字“指纹”的方法。该函数将数据打乱混合，重新创建一个叫做散列值的指纹。散列值通常用来代表一个短的随机字母和数字组成的字符串。好的散列函数在输入域中很少出现散列冲突。在散列表和数据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。 堆排序Heapsort是指利用堆积树（堆）这种数据结构所设计的一种排序算法。堆积树是一个近似完全二叉树的结构，并同时满足堆积属性：即子结点的键值或索引总是小于（或者大于）它的父结点。 归并排序Merge sort是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。 RANSAC 算法RANSAC 是”RANdom SAmpleConsensus”的缩写。该算法是用于从一组观测数据中估计数学模型参数的迭代方法，由Fischler and Bolles在1981提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。该算法的基本假设是观测数据集中存在”inliers”（那些对模型参数估计起到支持作用的点）和”outliers”（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组”inliers”数据就能够得到最优的符合这组点的模型。 RSA加密演算法这是一个公钥加密算法，也是世界上第一个适合用来做签名的算法。今天的RSA已经专利失效，其被广泛地用于电子商务加密，大家都相信，只要密钥足够长，这个算法就会是安全的 并查集Union-find并查集是一种树型的数据结构，用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。常常在使用中以森林来表示。 Viterbi algorithm寻找最可能的隐藏状态序列(Finding most probable sequence of hidden states) 　　附录 关于这个世界上的算法，你可以看看Wikipedia的这个网页：http://en.wikipedia.org/wiki/List_of_algorithms 关于排序算法，你可以看看本站的这几篇文章《一个显示排序过程的Python脚本》、《一个排序算法比较的网站》

Interbrand的十大品牌强度要素■内部清晰度：品牌价值观、品牌定位和品牌主张是否阐述明确，使消费者在看到或听到这个品牌的时候可以立刻知道并了解这些内容。内部重视程度：品牌在组织决策层面的高度，品牌在运作时间、得到的关注和获得的投资方面的支持程度。品牌保护：品牌在各个层面得到保护的程度，包括法律保护、专利成份和设计、制式、品牌地理分布与企业社会责任等。品牌反应力：品牌自身的领导意识和不断自我发展和更新的愿望带来的，可以应对变化和主动创造新机会的能力。■外部真实性：品牌是否基于产品的实际能力而建立，是否继承和传达了明确的理念及良好的价值观，是否可以满足消费者对其的期望。相关性：品牌在所有的人群分类和地理区域中，可以满足消费者的需求和期望的程度。差异性：消费者所感知的该品牌定位与其竞争对手定位之间的区分度和独特性。一致性：在各个接触点或各种传播方式上，品牌承诺被消费者所感知和所认同的程度。品牌存在性：对于品牌的谈论无处不在，品牌得到消费者、客户、舆论、社交媒体包括雇员正面评价的程度。理解度：客户和雇员不仅仅是知晓该品牌，并且对品牌的内涵有着深度的理解和洞察的程度。

实施数字化战略的基本活动· 建立企业网站。· 建立电子商务站点。· 在线广告投放。· 在搜索引擎优化、营销方面积极投入。· 拥有企业网站的移动设备专用版本。· 拥有电子商务站点的移动设备专用版本。· 拥有移动设备应用程序库。· 拥有以客户为中心的在线社区。· 拥有活跃的社会网络页面（例如Facebook、MySpace、LinkedIn等）。· 拥有活跃的微博账户。· 拥有活跃的视频网站页面。· 参与基于位置的社交媒体网站（例如foursquare）。· 拥有在线博客。· 拥有员工内部网络。· 拥有针对员工的内部社交媒体策略。

IHS的数据显示，2016年全球专业安防摄像头的出货量超过一亿台，比2015年增长约14%。但相比2015年30%的增长率，增速放缓了不少。王玉君对此分析称，一方面，面对国内外市场的长期增速预期下行，各大视频监控厂家都在寻求多元化和差异化发展；另一方面，随着视频监控行业不断的技术革新和数据积累，从视频监控的上游芯片厂商，到视频智能分析算法的软件开发公司，再到视频监控设备厂商和下游的系统集成商都在围绕智能分析、物联网和大数据技术来布局安防行业，以求在产品日趋同质化的竞争中占领未来视频监控技术发展的高地：  从产品来看，虽然视频监控行业整体增速不如预期，但某些产品线会远高于市场的平均增速。2017年消费类视频监控产品、移动视频监控产品和视频监控企业级存储产品的销售额在全球范围都会保持15%以上的增长。  从服务来看，2017年全球视频云服务(VSaaS)的销售额会突破9亿美元(不包括安保远程监控服务)，未来5年VSaaS销售额的平均年复合增长率将超过18%。  从技术来看，支持H.265技术的网络摄像机在2017年会有爆发式增长。视频智能分析会因为深度学习技术的应用又一次成为行业发展的热点。

通过几年的市场培育，用户意识到视频智能分析确实可以为城市交通治理、公安刑侦和商业管理带来很大价值，因此市场对具备高性能的优秀的视频智能分析产品是充满期待的，深度学习技术在视频监控领域的应用也正是在这样的背景下开始蓄势待发。

深度学习技术从长期来看会降低智能分析应用的成本，也会拓展带有智能分析功能的视频监控设备的应用外延。除了价格因素外，从短期来看深度学习技术在视频监控领域应用的最大挑战就是如何将那些优秀的算法根据实际的应用情景进行二次开发，实现真正的技术落地。