第一章——中国人工智能产业全景前瞻 人工智能综述 学派理念界定 历史沿革与前瞻 人工智能产业现状全景概览 目下十年展望 基础层-智能芯片 基础层-智能传感器 技术层-机器学习 技术层-智能语音与计算机视觉 应用层-行业解决方案 应用层-自动驾驶 未来五十年前瞻 基础层-量子人工智能 技术层-遗传编程 应用层-虚实集成世界 人工智能伦理 第二章——中国制造业未来五十年展望 智能制造现状概述 智能制造定义 智能制造产业链 智能制造政策 智能制造价值分析 核心价值 制造业升级 内在要求及市场规模 未来五十年前瞻 技术趋势 IT与OT融合 数字孪生 工业5.0 工业与碳排放市场的现状 中国工业市场概览 煤炭消费 碳排放政策 工业排放物概况 工业废水 工业废气 未来五十年前瞻 绿色工业与清洁能源 第三章——肿瘤及罕见病治疗的发展策略 中国医药健康行业综述 中国医药健康行业的发展历程 中国医药健康行业的产业链 中国医药健康行业注册审批 中国医药健康行业供给端 中国医药健康行业需求端 中国肿瘤治疗五大趋势 流行病学趋势 肿瘤治疗趋势 研发审批趋势 治疗支付趋势 企业发展趋势 中国罕见病治疗展望 罕见病定义 罕见病政策 罕见病药物可及性 第四章——中国消费领域未来五十年的展望 中国消费领域宏观环境分析 人口老龄化 收入与消费 人口结构与流动 中日市场对比 中国消费时代 潜力消费市场 高科技在消费领域的应用前瞻 科技赋能消费 人工智能 物联网 区块链 中国消费领域发展趋势展望 智慧零售 数字化生态 新消费人群 新消费品类 中国消费领域的市场机会 宠物行业 家居家装行业 泛娱乐消费行业 第五章——“双碳”目标下的产业转型升级之路 中国碳中和目标概述 中国双碳目标 中国发电结构现状 碳中和实现路径——能源碳减排 中国新型电力系统的未来展望 中国能源产业碳中和相关政策 中国光伏行业发展现状与未来展望 中国风电行业发展现状与未来展望 中国储能行业发展现状与未来展望 中国氢能行业未来展望 碳中和实现路径——工业碳减排 中国钢铁行业现状与未来展望 碳中和实现路径——交通碳减排 中国交通领域碳排放现状及未来展望 碳中和实现路径——增强碳吸收 中国林业碳汇发展现状与未来展望 中国CCUS技术发展现状与未来展望 碳中和实现路径——金融减排支持 中国碳排放权交易体系 中国碳金融市场结构 发布单位：头豹、沙利文

第一部分 loT带来的生活变化 第一章 理解物品“互联”的好处 01 将家里的钥匙“互联”起来 02 家用智能锁在不动产行业中的应用 03 家用智能锁在护理行业中的应用 04 让IoT普及的关键要素 第二章 IoT对家庭的改变 01 IoT改变生活方式 02 IoT节约电费 03 IoT改变消费习惯 04 以物的进化为目标的时代的终结 05 家庭中的私人管家 06 以成为IoT领域的谷歌为目标的企业 第三章 IoT对汽车行业的改变 01 自动驾驶汽车的时代来临了 02 TESLA开创的IoT时代的汽车 03 私人移动时代的预感 04 共享经济开创了自动驾驶汽车的第一步 05 如果所有的汽车都是自动驾驶汽车 06 随着自动驾驶汽车的普及而不得不转型的产业 07 自动驾驶汽车面临的最大课题不是法律而是情感 第四章 IoT对医疗和卫生保健行业的改变 01 IoT在医疗行业中的应用 02 由人工智能来对患者进行初期诊断 03 对癌症诊断提供帮助 04 IoT在卫生保健领域的应用 05 IoT对医疗与卫生保健行业的影响 06 老年化社会与IoT 第二部分 loT带来的产业变化 第一章 IoT对产业结构的改变 01 IoT对商业模式的改变 02 从对物品的“拥有”到“使用”的变化 03 飞速发展的“个人化” 04 IoT促使“真·第四次产业革命”出现 05 企业的数字化之路 ……………………

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

本笔记为黄海广博士翻译，开放在Github。 Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。 本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。 （二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。 （三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（Web搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。 本课程需要10周共18节课，相对以前的机器学习视频，这个视频更加清晰，而且每课都有ppt课件，推荐学习。 第一周 一、 引言(Introduction) 1.1 欢迎 1.2 机器学习是什么？ 1.3 监督学习 1.4 无监督学习 二、单变量线性回归(Linear Regression with One Variable) 2.1 模型表示 2.2 代价函数 2.3 代价函数的直观理解I 2.4 代价函数的直观理解II 2.5 梯度下降 2.6 梯度下降的直观理解 2.7 梯度下降的线性回归 2.8 接下来的内容 三、线性代数回顾(Linear Algebra Review) 3.1 矩阵和向量 3.2 加法和标量乘法 3.3 矩阵向量乘法 3.4 矩阵乘法 3.5 矩阵乘法的性质 3.6 逆、转置 第二周 四、多变量线性回归(Linear Regression with Multiple Variables) 4.1 多维特征 4.2 多变量梯度下降 4.3 梯度下降法实践1-特征缩放 4.4 梯度下降法实践2-学习率 4.5 特征和多项式回归 4.6 正规方程 4.7 正规方程及不可逆性（选修） 五、Octave教程(Octave Tutorial) 5.1 基本操作 5.2 移动数据 5.3 计算数据 5.4 绘图数据 5.5 控制语句：for，while，if语句 5.6 向量化 88 5.7 工作和提交的编程练习 第三周 六、逻辑回归(Logistic Regression) 6.1 分类问题 6.2 假说表示 6.3 判定边界 6.4 代价函数 6.5 简化的成本函数和梯度下降 6.6 高级优化 6.7 多类别分类：一对多 七、正则化(Regularization) 7.1 过拟合的问题 7.2 代价函数 7.3 正则化线性回归 7.4 正则化的逻辑回归模型 第四周 第八、神经网络：表述(Neural Networks: Representation) 8.1 非线性假设 8.2 神经元和大脑 8.3 模型表示1 8.4 模型表示2 8.5 样本和直观理解1 8.6 样本和直观理解II 8.7 多类分类 第五周 九、神经网络的学习(Neural Networks: Learning) 9.1 代价函数 9.2 反向传播算法 9.3 反向传播算法的直观理解 9.4 实现注意：展开参数 9.5 梯度检验 9.6 随机初始化 9.7 综合起来 9.8 自主驾驶 第六周 十、应用机器学习的建议(Advice for Applying Machine Learning) 10.1 决定下一步做什么 10.2 评估一个假设 10.3 模型选择和交叉验证集 10.4 诊断偏差和方差 10.5 正则化和偏差/方差 10.6 学习曲线 10.7 决定下一步做什么 十一、机器学习系统的设计(Machine Learning System Design) 11.1 首先要做什么 11.2 误差分析 11.3 类偏斜的误差度量 11.4 查准率和查全率之间的权衡 11.5 机器学习的数据 第7周 十二、支持向量机(Support Vector Machines) 12.1 优化目标 12.2 大边界的直观理解 12.3 数学背后的大边界分类（选修） 12.4 核函数1 12.5 核函数2 12.6 使用支持向量机 第八周 十三、聚类(Clustering) 13.1 无监督学习：简介 13.2 K-均值算法 13.3 优化目标 13.4 随机初始化 13.5 选择聚类数 十四、降维(Dimensionality Reduction) 14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分析算法 14.5 选择主成分的数量 14.6 重建的压缩表示 14.7 主成分分析法的应用建议 第九周 十五、异常检测(Anomaly Detection) 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（选修） 15.8 使用多元高斯分布进行异常检测（选修） 十六、推荐系统(Recommender Systems) 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 向量化：低秩矩阵分解 16.6 推行工作上的细节：均值归一化 第十周 十七、大规模机器学习(Large Scale Machine Learning) 17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 小批量梯度下降 17.4 随机梯度下降收敛 17.5 在线学习 17.6 映射化简和数据并行 十八、应用实例：图片文字识别(Application Example: Photo OCR) 18.1 问题描述和流程图 18.2 滑动窗口 18.3 获取大量数据和人工数据 18.4 上限分析：哪部分管道的接下去做 十九、总结(Conclusion) 19.1 总结和致谢

1、全球虚拟现实产业发展背景分析 2、中国虚拟现实产业发展现状分析 3、全球虚拟现实消费级市场分析 4、典型虚拟现实企业案例分析 5、虚拟现实产业发展趋势预测

1、中国家庭 Wi -Fi 行业概况 2、中国全屋 Wi -Fi 发展概况 3、中国全屋 Wi -Fi 应用场景分析 4、中国全屋 Wi -Fi 能力要求和标准建议 5、中国全屋 Wi -Fi 产品案例研究

就网络安全而言，我们都知道：变化是永恒的。因此，我们必须不断审视过往，识别其中的改善方式。若要跟上网络攻击者的步伐，我们必须不断尝试新技术，找出防范或主动预防攻击的更好方式。我们必须每天评估我们的策略并提升我们的方法。简言之，如果我们不作出改善，我们就无法确保最重要资产的安全。每个安全供应商都了解“变化是永恒的”这一基本原则。几乎每年在网络安全领域都会出现几个新的热门词，说明我们一直都在找应对安全挑战的解决方案，但让我们感到惭愧的是，收效并不理想。在最近几年里，我们的收件箱里充斥着“可执行”和“自动化”等字眼，而现在，我们又看到了新的热门词，包括人工智能(AI)、认知计算和机器学习等等。 如今，许多供应商都表示AI 是他们的秘密武器，事实也的确如此。这种关键的技术进步似乎是一夜之间就完成了“蜕变”，但许多行业专业人士对AI 的前景仍旧充满了怀疑。可惜的是，AI 流行的同时也带来了混乱，因此妨碍了整个市场真正地采用该项技术。就目前而言，“AI 是否存在？”，这个问题的答案已经显而易见。因此，我们要关注的问题是“什么是AI？”以及“AI 能为我们提供哪些帮助？”。这些就是本文的目的所在：抛开诉求和愿望不谈，而是定义出AI 及其组件能够为当今的安全领域提供哪些帮助。 发布单位：IBM

《 BAYESIAN OPTIMIZATION 》作者为华盛顿大学的 Roman Garnett 。 这本书旨在为读者提供一个从零开始全面了解贝叶斯优化的过程，并细致的阐述了所有关键的想法。这种自下而上的方法允许我们在贝叶斯优化算法中确定统一的主题，这些主题可能在以往的调研文献时丢失。 Garnett 主要研究兴趣是为不确定性下的序列决策开发新的贝叶斯机器学习方法。Garnett 还对科学发现的算法特别感兴趣，并获得了 NSF CAREER 奖以支持这项研究。此外，他还是「CSE 515T：机器学习中的贝叶斯方法」主讲老师。 不过该书还不是最终版本，终稿将于 2022 年初由剑桥大学出版社出版。 该书目标受众是机器学习、统计学等相关领域的研究人员或研究生。在阅读本书之前，你需要熟悉微分、积分、概率、线性代数、高斯分布。 作者：华盛顿大学 BAYESIAN OPTIMIZATION

蒙牛数字化工厂-方案说明

人工智能应用需求增⻓，与产业融合的步伐逐步加快。以计算机视觉、语音分析、对话式人工智能为代表的感知类AI应用已经在金融、零售、制造、能源、电信、医疗等行业的一些业务场景中广泛使用，部分行业已经开始将人工智能融入设计、生产、销售、物流、⻛控和客戶服务等环节，以智能化决策实现经营效益的提高和商业模式的创新。当前，行业用戶纷纷开展AI建设规划，头部企业已经全面引入人工智能，在AI技术平台的基础上建设AI中台，在业务场景中更加深入地采用AI。行业中等规模企业开始引入部分AI应用，作为业务优化转型的智能化手段。人工智能有望成为加速企业数字化、智能化转型过程中海量场景落地的新引擎。通过本次IDC的调查研究，我们发现当前应用人工智能的公司中近半数为1-2年前就已经部署使用。 发布单位：IDC、第四范式

《白皮书》分为引言、利用工业和专业市场的优势、抓住下一个数据浪潮机遇、构建卓越生态系统、创建可信任生态系统，打造人工智能监管框架和结论六部分，提出利用人工智能实现“单一数据市场”的愿景，希望将人工智能技术和产业优势、高质量的数字基础设施以及符合其基本价值观的监管框架相结合，以此成为数据经济及其应用创新的全球领导者。 报告指出，希望通过 “政策监管”和“ 增加资金投入”两种措施促进人工智能发展并解决其带来的风险问题。 政策监管方面，报告提出了使人工智能在欧洲可靠并安全发展的政策，包括 构 建“卓越生态系统”和 创建“信任生态系统”，设定了未来 5年在数字化转型聚焦的3个目标，即 研发以人为本的技术、打造公平且具有竞争力的经济环境、建设开放、民主和可持续发展的社会。 增加资金投入方面，报告提出在未来十年中， 每年吸引200亿欧元的投资，以提高欧盟在人工智能领域的竞争力，同时保护欧盟公民免受人工智能带来的风险挑战。此外，《白皮书》还对使用人脸识别等远程生物识别系统提出了严格限制，规定将不仅适用于欧洲本地企业，在欧盟运营的第三国数字企业也必须遵守相应规定，此举可能会对我国人工智能企业发展带来冲击。 发布单位：商汤

人工智能发展迅速。它通过我们可以预见的不同方式改变着我们的生活，比如通过改善医疗保健（例如，更准确地诊断，更好地预防疾病），提高耕作效率，有助于缓解和适应气候变化，通过预测性维护提高生产系统的效率，提高欧洲人的安全等等。同时，人工智能也带来了一些潜在的风险，如决策不透明、性别歧视或其他形式的歧视、侵犯我们的私人生活或被用于犯罪目的。在2018年4月提出的欧洲人工智能战略1的基础上，需要采取一种更切实的途径应对全球日趋激烈的竞争。为了应对人工智能的机遇和挑战，欧盟必须根据欧洲价值观一体行动，确定自己的方式，促进人工智能的发展和实施。欧盟委员会致力于实现科学突破，以保持欧盟的技术领先地位，确保新技术为所有欧洲人服务——提高他们的生活质量，同时尊重他们的权利。委员会主席Ursula von der Leyen在其政治指导方针2中提到了一种协调一致的欧洲方法——关于控制人工智能对人类和伦理意义，以及对更好地利用大数据进行创新的思考。因此，委员会支持一种以监管和投资为导向的方法以实现双重目标，一方面促进人工智能的普及，另一方面解决伴随着这种新技术的使用而带来的风险。本白皮书旨在就如何实现这些目标提出政策选择，并不讨论人工智能在军事用途方面的发展和使用。委员会邀请成员国、其他欧洲机构和包含工业界、社会合作伙伴、民间社会组织、研究人员、公众和任何有关团体在内的所有利益相关者，对如下内容进行了反馈，并继续支持为委员会今后在这一领域的决策。 发布单位：欧盟 翻译：数据法盟