人工智能课程总结转眼之间，研一的上半学期就要结束了，陪伴了自己一学期的人工智能课也在今天结束了最后的考试。
回顾这半个学期来学习人工智能的感受，确实还是有点可说的东西。
我记得自己第一次听AI这个名字是上大二时一个北航软件学院朋友提起的，他特别想去微软做AI方面的研究，然后他热情的向我介绍了这个领域是多么多么好，当时的自己完全没有印象，只觉得可能和机器人有关，AI的目的就是做出和人类一模一样的机器人。
现在看来自己当初的想法是多么的幼稚可笑。
等到了大三的时候，软件学院正好开设了这门课，我便抱着好奇的心态选了这门课，无奈当时授课老师胡晶晶讲解极其乏味，也没有教材，每节课上课就照着PPT念，完全成了可有可无的课程，在这门课上我学到的唯一的知识点就是可以用遗传算法来求解走迷宫问题，因为那次是老师用一个程序在课堂上进行演示的。
当时觉得挺有意思，可惜自己并没有做进一步的学习，结果第一次上人工智能课就这么草草收场。
如今上了研究生，再次碰到了这门课，我又一次选了，因为我觉得计算机学院的老师讲课和软件学院的老师应该不一样，事实证明我的想法是正确的。
在这门课上我学到了很多的知识，了解到了人工智能原来包含这么多内容，根本不是一个简单的机器人所能概括的，计算机图形学，机器学习，模式识别等这些看起来似乎不相关的东西在都被包含在其中。
尽管上课时间有限而且这门课也比较基础，但老师的讲课却毫不含糊。
说实话，在老师快讲完第三章之前我还一直坐在靠后的位置看不清PPT，后来觉得还是要认真听讲，于是每次都是占前两排的座位，当然这种做法事后证明也是对的，看来有时候一念之差能改变很多。
针对这门课的内容没有什么要说的，个人觉得刘峡壁老师的个人魅力较强，能让学生喜欢听这门课，这一点和林永刚老师极其相似，而大学里面缺少的正是这样的老师。
当然，光听课是没用的，课后还需要进行做题，弄不懂的还需要和同学进行讨论，这在做作业时得到了体现。
我觉得人工智能最重要的不是让我们知道这些知识，而是要让我们掌握分析问题，解决问题的方法，正如刘峡壁老师所说“我给你们提供了各种武器，关键看你们遇到问题会不会拿出来用”，而这也是做研究所必须的。
同时，我也在其中体会到了发散思维不局限于某一领域的奇妙之处，例如遗传算法，蚁群算法就是来自生物界，这种跨学科之间的联系已经成为当下的潮流，知识本来就不应该有局限性，联系无处不在。
就写到这里吧，如今我知道了AI无处不在，而且我在以后的学习阶段中会不断接触到AI。
记得之前看过很多AI题材的电影，比如《我，机器人》，《黑客帝国》等等，真希望自己能在有生之年看到这些电影中所展现出来的AI成为现实，人类也一定会因为AI而不断进步。

在linux下，用Qt4编写的GPS定位程序，可得到具体时间、日期和经纬度。

梅耶尔（MarissaMayer）执掌Yahoo!三个月，第一次出手就用上亿（数据源自TechCrunch）美元收购了一家小公司——Stamped。
之后，Stamped宣布与年底结束其原先服务——敢情Yahoo!花了上亿，只是为了得到一个9人的移动团队？！从成立到转型到被收购，Stamped仅仅用了一年。
与其把原因归结为联合创始人RobbyStein在Google时与梅姐有过共事关系，我更愿意相信是他用产品清楚地告诉了梅姐，这是一个最优秀的团队。
确实，虽然目前iOS平台上的应用数已经达到了百万量级，层出不穷的优秀应用每天都在诞生。
无论是视觉还是UI，或是新奇的想法，Stamped都称不上完美，

在U型件冲压工艺中，回弹现象不可避免。
如何根据工艺参数预测回弹值大小，是一个重要问题。
在这里我选取了4个工艺参数（板料厚度，摩擦系数，凹模圆角半径，压边力），通过Abaqus获取了2688个仿真实验样本，得到了该四个因素对回弹的影响。
得到该数据集合。
有兴趣的可以用来做机器学习中的回归预测的练习。

编程就是编写程序，即制订方法。
为什么要有方法？方法是为了说明。
而之所以要有说明就有很多原因了，但电脑编程的根本原因是因为语言不同，且不仅不同，连概念都不相通。
人类的语言五花八门，但都可以通过翻译得到正解，因为人类生存在同一个四维物理空间中，具有相同或类似的感知。
而电脑程序执行时的CPU所能感受到的空间和物理空间严重不同，所以是不可能将电脑程序翻译成人类语言的描述的。
这很重要，其导致了大部分程序员编写出的拙劣代码，因为人想的和电脑想的没有共性，所以他们在编写程序时就随机地无目的地编写，进而导致了拙劣却可以执行的代码。

区块链与大数据是当前的热门.区块链如果能在大数据领域得到应用将对无论是区块链还是大数据来说将产生不一样的效果.

使用C语言对BMP文件进行打与与保存，得到BMP图像数据和长宽

MeanShift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.Comaniciu等人[3][4]把MeanShift成功的运用的特征空间的分析,在图像平滑和图像分割中MeanShift都得到了很好的应用.Comaniciu等在文章中证明了,MeanShift算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此MeanShift算法可以用来检测概率密度函数中存在的模态.

从一个论坛上得到的一个三维FDTD程序

基于K-means聚类算法的图像分割算法的基本原理： 基于K-means聚类算法的图像分割以图像中的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。
算法步骤：①随机选取K个初始聚类中心；
②计算每个样本到各聚类中心的距离，同时将每个样本归到与其距离最近的聚类中心；
③对每个簇，以所有样本的均值作为该簇新的聚类中心；
④重复第②~③步,直到聚类中心不再变化；
⑤结束，得到K个聚类。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。