云安全日?qǐng)?bào)200902：谷歌Android系統(tǒng)發(fā)現(xiàn)重要漏洞可竊取敏感數(shù)據(jù) 需要盡快升級(jí)

月底，安全研究人員發(fā)現(xiàn)了Android系統(tǒng)中的一個(gè)嚴(yán)重漏洞，該漏洞允許惡意應(yīng)用程序在設(shè)備上下載和運(yùn)行，并從其他應(yīng)用竊取用戶的敏感數(shù)據(jù)。以下是漏洞詳情：

漏洞詳情

CVE-2020-8913 CSS評(píng)分 8.8 高危

具體來(lái)說(shuō)，該漏洞存在于Google Play Core中，該漏洞使應(yīng)用程序開發(fā)人員可以對(duì)應(yīng)用程序進(jìn)行更新。因此，所有依賴此組件進(jìn)行更新的應(yīng)用都可能受到此漏洞的威脅。惡意應(yīng)用可能利用此組件將惡意模塊注入其他應(yīng)用以竊取數(shù)據(jù)。

Google PlayCore 核心庫(kù)是適用于Android的流行庫(kù)，它允許在運(yùn)行時(shí)交付應(yīng)用程序各個(gè)部分的更新，而無(wú)需用戶通過(guò)Google API參與。通過(guò)加載針對(duì)特定設(shè)備和設(shè)置（本地化，圖像尺寸，處理器體系結(jié)構(gòu)，動(dòng)態(tài)模塊）優(yōu)化的資源，而不是存儲(chǔ)許多可能的版本，它還可用于減少主apk文件的大小。

惡意攻擊者可以創(chuàng)建針對(duì)特定應(yīng)用程序的apk，如果受害者要安裝該apk，則攻擊者可以執(zhí)行目錄遍歷，將代碼作為目標(biāo)應(yīng)用程序執(zhí)行，并在Android設(shè)備上竊取目標(biāo)應(yīng)用程序的數(shù)據(jù)。

作為概念驗(yàn)證，研究人員通過(guò)使用幾行代碼構(gòu)建應(yīng)用程序發(fā)現(xiàn)了該漏洞，并在Android版Google Chrome上測(cè)試了該漏洞，可以成功竊取包括信用卡號(hào)，密碼，瀏覽歷史記錄和登錄cookie在內(nèi)的數(shù)據(jù)。

Google將該漏洞評(píng)估為高度危險(xiǎn)。這意味著許多流行的應(yīng)用程序（包括Google Chrome，Mozilla Firefox瀏覽器，金融和銀行應(yīng)用程序，非銀行應(yīng)用程序等）容易受到任意代碼執(zhí)行的攻擊。這可能導(dǎo)致用戶憑證和財(cái)務(wù)詳細(xì)信息（包括信用卡歷史記錄）泄漏；以攔截和篡改其瀏覽器歷史記錄，cookie文件等。要?jiǎng)h除它們，開發(fā)人員應(yīng)將Google Play Core庫(kù)更新為最新版本，而用戶應(yīng)更新其所有應(yīng)用。

受影響產(chǎn)品和版本

Play Core Library 1.7.2版本以下存在該漏洞，并且此漏洞影響所有依賴Play Core 核心組件進(jìn)行更新的應(yīng)用（包括Google Chrome，Mozilla Firefox瀏覽器，金融和銀行應(yīng)用程序等）

解決方案

Play Core Library 1.7.2或更高版本中修復(fù)了該漏洞，建議開發(fā)人員應(yīng)將Google Play Core庫(kù)更新為最新版本，而用戶應(yīng)更新其所有應(yīng)用。

文章來(lái)源：

https://latesthackingnews.com/2020/09/01/android-bug-could-allow-malicious-apps-to-steal-user-data-from-other-apps/

本文源自TechWeb.com.cn

文由知名開源平臺(tái)，AI 技術(shù)平臺(tái)以及領(lǐng)域?qū)＜遥篋atawhale，ApacheCN，AI 有道和黃海廣博士聯(lián)合整理貢獻(xiàn)，內(nèi)容涵蓋 AI 入門基礎(chǔ)知識(shí)、數(shù)據(jù)分析\挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、前沿 Paper 和五大 AI 理論應(yīng)用領(lǐng)域：自然語(yǔ)言處理，計(jì)算機(jī)視覺(jué)，推薦系統(tǒng)，風(fēng)控模型和知識(shí)圖譜。是你學(xué)習(xí) AI 從入門到專家必備的學(xué)習(xí)路線和優(yōu)質(zhì)學(xué)習(xí)資源。

基礎(chǔ)知識(shí)

數(shù)學(xué)

數(shù)學(xué)是學(xué)不完的，也沒(méi)有幾個(gè)人能像博士一樣扎實(shí)地學(xué)好數(shù)學(xué)基礎(chǔ)，入門人工智能領(lǐng)域，其實(shí)只需要掌握必要的基礎(chǔ)知識(shí)就好。AI的數(shù)學(xué)基礎(chǔ)最主要是高等數(shù)學(xué)、線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)三門課程，這三門課程是本科必修的。這里整理了一個(gè)簡(jiǎn)易的數(shù)學(xué)入門文章：

數(shù)學(xué)基礎(chǔ)：高等數(shù)學(xué)

https://zhuanlan.zhihu.com/p/36311622

數(shù)學(xué)基礎(chǔ)：線性代數(shù)

https://zhuanlan.zhihu.com/p/36584206

數(shù)學(xué)基礎(chǔ)：概率論與數(shù)理統(tǒng)計(jì)

https://zhuanlan.zhihu.com/p/36584335

機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)資料下載：

1) 機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ).docx

中文版，對(duì)高等數(shù)學(xué)、線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)三門課的公式做了總結(jié)。

2) 斯坦福大學(xué)機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ).pdf

原版英文材料，非常全面，建議英語(yǔ)好的同學(xué)直接學(xué)習(xí)這個(gè)材料。

下載鏈接:

https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg 提取碼: hktx

國(guó)外經(jīng)典數(shù)學(xué)教材：

相比國(guó)內(nèi)浙大版和同濟(jì)版的數(shù)學(xué)教材更加通俗易懂，深入淺出，便于初學(xué)者更好地奠定數(shù)學(xué)基礎(chǔ)。下載鏈接：

https://blog.csdn.net/Datawhale/article/details/81744961

統(tǒng)計(jì)學(xué)

入門教材：深入淺出統(tǒng)計(jì)學(xué)

進(jìn)階教材：商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)

推薦視頻：可汗學(xué)院統(tǒng)計(jì)學(xué)

http://open.163.com/special/Khan/khstatistics.html

編程

入門人工智能領(lǐng)域，首推Python這門編程語(yǔ)言。

1) Python安裝：

Python安裝包，我推薦下載Anaconda，Anaconda是一個(gè)用于科學(xué)計(jì)算的Python發(fā)行版，支持 Linux, Mac, Windows系統(tǒng)，提供了包管理與環(huán)境管理的功能，可以很方便地解決多版本Python并存、切換以及各種第三方包安裝問(wèn)題。

下載地址：

https://www.anaconda.com/download/

推薦選Anaconda （python 3.7版本）

IDE：推薦使用pycharm，社區(qū)版免費(fèi)

下載地址：https://www.jetbrains.com/

安裝教程：

Anaconda+Jupyter notebook+Pycharm：

https://zhuanlan.zhihu.com/p/59027692

Ubuntu18.04深度學(xué)習(xí)環(huán)境配置(CUDA9+CUDNN7.4+TensorFlow1.8)：

https://zhuanlan.zhihu.com/p/50302396

2) python入門的資料推薦

a.廖雪峰python學(xué)習(xí)筆記

https://blog.csdn.net/datawhale/article/category/7779959

b.python入門筆記

作者李金，這個(gè)是jupyter notebook文件，把python的主要語(yǔ)法演示了一次，值得推薦。下載鏈接:

https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA 提取碼: 2bzh

c.南京大學(xué)python視頻教程

這個(gè)教程非常值得推薦，python主要語(yǔ)法和常用的庫(kù)基本涵蓋了。

查看地址：

https://www.icourse163.org/course/0809NJU004-1001571005?from=study

看完這三個(gè)資料后python基本達(dá)到入門水平，可以使用scikit-learn等機(jī)器學(xué)習(xí)庫(kù)來(lái)解決機(jī)器學(xué)習(xí)的問(wèn)題了。

3）補(bǔ)充

代碼規(guī)范：

https://zhuanlan.zhihu.com/p/59763076

numpy練習(xí)題：

https://zhuanlan.zhihu.com/p/57872490

pandas練習(xí)題：

https://zhuanlan.zhihu.com/p/56644669

數(shù)據(jù)分析/挖掘

數(shù)據(jù)分析的基礎(chǔ)書籍

《利用python進(jìn)行數(shù)據(jù)分析》

這本書含有大量的實(shí)踐案例，你將學(xué)會(huì)如何利用各種Python庫(kù)（包括NumPy，Pandas、Matplotlib以及IPython等）高效地解決各式各樣的數(shù)據(jù)分析問(wèn)題。如果把代碼都運(yùn)行一次，基本上就能解決數(shù)據(jù)分析的大部分問(wèn)題了。

特征工程

https://blog.csdn.net/Datawhale/article/details/83033869

數(shù)據(jù)挖掘項(xiàng)目

https://blog.csdn.net/datawhale/article/details/80847662

機(jī)器學(xué)習(xí)

公開課

吳恩達(dá)《Machine Learning》

這絕對(duì)是機(jī)器學(xué)習(xí)入門的首選課程，沒(méi)有之一！即便你沒(méi)有扎實(shí)的機(jī)器學(xué)習(xí)所需的扎實(shí)的概率論、線性代數(shù)等數(shù)學(xué)基礎(chǔ)，也能輕松上手這門機(jī)器學(xué)習(xí)入門課，并體會(huì)到機(jī)器學(xué)習(xí)的無(wú)窮趣味。

課程主頁(yè)：

https://www.coursera.org/learn/machine-learning

中文視頻：

網(wǎng)易云課堂搬運(yùn)了這門課，并由黃海廣等人翻譯了中文字幕。

中文筆記及作業(yè)代碼：

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

公開課

吳恩達(dá) CS229

吳恩達(dá)在斯坦福教授的機(jī)器學(xué)習(xí)課程 CS229 與吳恩達(dá)在 Coursera 上的《Machine Learning》相似，但是有更多的數(shù)學(xué)要求和公式的推導(dǎo)，難度稍難一些。該課程對(duì)機(jī)器學(xué)習(xí)和統(tǒng)計(jì)模式識(shí)別進(jìn)行了廣泛的介紹。

課程主頁(yè)：

http://cs229.stanford.edu/

中文視頻：

http://open.163.com/special/opencourse/machinelearning.html

中文筆記：

https://kivy-cn.github.io/Stanford-CS-229-CN/#/

速查表：

這份給力的資源貢獻(xiàn)者是一名斯坦福的畢業(yè)生 Shervine Amidi。作者整理了一份超級(jí)詳細(xì)的關(guān)于 CS229的速查表

https://zhuanlan.zhihu.com/p/56534902

作業(yè)代碼：

https://github.com/Sierkinhane/CS229-ML-Implements

公開課

林軒田《機(jī)器學(xué)習(xí)基石》

臺(tái)灣大學(xué)林軒田老師的《機(jī)器學(xué)習(xí)基石》課程由淺入深、內(nèi)容全面，基本涵蓋了機(jī)器學(xué)習(xí)領(lǐng)域的很多方面。其作為機(jī)器學(xué)習(xí)的入門和進(jìn)階資料非常適合。而且林老師的教學(xué)風(fēng)格也很幽默風(fēng)趣，總讓讀者在輕松愉快的氛圍中掌握知識(shí)。這門課比 Ng 的《Machine Learning》稍難一些，側(cè)重于機(jī)器學(xué)習(xí)理論知識(shí)。

中文視頻：

https://www.bilibili.com/video/av36731342

中文筆記：

https://redstonewill.com/category/ai-notes/lin-ml-foundations/

配套教材

配套書籍為《Learning From Data》，在線書籍主頁(yè)：http://amlbook.com/

公開課

林軒田《機(jī)器學(xué)習(xí)技法》

《機(jī)器學(xué)習(xí)技法》課程是《機(jī)器學(xué)習(xí)基石》的進(jìn)階課程。主要介紹了機(jī)器學(xué)習(xí)領(lǐng)域經(jīng)典的一些算法，包括支持向量機(jī)、決策樹、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等等。難度要略高于《機(jī)器學(xué)習(xí)基石》，具有很強(qiáng)的實(shí)用性。

中文視頻：

https://www.bilibili.com/video/av36760800

中文筆記：

https://redstonewill.com/category/ai-notes/lin-ml-techniques/

書籍

《機(jī)器學(xué)習(xí)》

周志華的《機(jī)器學(xué)習(xí)》被大家親切地稱為“西瓜書”。這本書非常經(jīng)典，講述了機(jī)器學(xué)習(xí)核心數(shù)學(xué)理論和算法，適合有作為學(xué)校的教材或者中階讀者自學(xué)使用，入門時(shí)學(xué)習(xí)這本書籍難度稍微偏高了一些。

配合《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》一起學(xué)習(xí)，效果更好！

讀書筆記：

https://www.cnblogs.com/limitlessun/p/8505647.html#_label0

公式推導(dǎo)：

https://datawhalechina.github.io/pumpkin-book/#/

課后習(xí)題：

https://zhuanlan.zhihu.com/c_1013850291887845376

書籍

《統(tǒng)計(jì)學(xué)習(xí)方法》

李航的這本《統(tǒng)計(jì)學(xué)習(xí)方法》堪稱經(jīng)典，包含更加完備和專業(yè)的機(jī)器學(xué)習(xí)理論知識(shí)，作為夯實(shí)理論非常不錯(cuò)。

講課 PPT：

https://github.com/fengdu78/lihang-code/tree/master/ppt

讀書筆記：

http://www.cnblogs.com/limitlessun/p/8611103.html

https://github.com/SmirkCao/Lihang

參考筆記：

https://zhuanlan.zhihu.com/p/36378498

代碼實(shí)現(xiàn)：

https://github.com/fengdu78/lihang-code/tree/master/code

書籍

《Scikit-Learn 與 TensorFlow 機(jī)器學(xué)習(xí)實(shí)用指南》

在經(jīng)過(guò)前面的學(xué)習(xí)之后，這本《Scikit-Learn 與 TensorFlow 機(jī)器學(xué)習(xí)實(shí)用指南》非常適合提升你的機(jī)器學(xué)習(xí)實(shí)戰(zhàn)編程能力。

這本書分為兩大部分，第一部分介紹機(jī)器學(xué)習(xí)基礎(chǔ)算法，每章都配備 Scikit-Learn 實(shí)操項(xiàng)目；第二部分介紹神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，每章配備 TensorFlow 實(shí)操項(xiàng)目。如果只是機(jī)器學(xué)習(xí)，可先看第一部分的內(nèi)容。

全書代碼：

https://github.com/ageron/handson-ml

實(shí)戰(zhàn)

Kaggle 比賽

比賽是提升自己機(jī)器學(xué)習(xí)實(shí)戰(zhàn)能力的最有效的方式，首選 Kaggle 比賽。

Kaggle 主頁(yè):

https://www.kaggle.com/

Kaggle 路線:

https://github.com/apachecn/kaggle

工具

Scikit-Learn 官方文檔

Scikit-Learn 作為機(jī)器學(xué)習(xí)一個(gè)非常全面的庫(kù)，是一份不可多得的實(shí)戰(zhàn)編程手冊(cè)。

官方文檔：

https://scikit-learn.org/stable/index.html

中文文檔（0.19）：

http://sklearn.apachecn.org/#/

深度學(xué)習(xí)

公開課

吳恩達(dá)《Deep Learning》

在吳恩達(dá)開設(shè)了機(jī)器學(xué)習(xí)課程之后，發(fā)布的《Deep Learning》課程也備受好評(píng)，吳恩達(dá)老師的課程最大的特點(diǎn)就是將知識(shí)循序漸進(jìn)的傳授給你，是入門學(xué)習(xí)不可多得良好視頻資料。

整個(gè)專題共包括五門課程：01.神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)；02.改善深層神經(jīng)網(wǎng)絡(luò)-超參數(shù)調(diào)試、正則化以及優(yōu)化；03.結(jié)構(gòu)化機(jī)器學(xué)習(xí)項(xiàng)目；04.卷積神經(jīng)網(wǎng)絡(luò)；05.序列模型。

課程視頻

網(wǎng)易云課堂：

https://mooc.study.163.com/university/deeplearning_ai#/c

Coursera:

https://www.coursera.org/specializations/deep-learning

課程筆記

之前編寫過(guò)吳恩達(dá)老師機(jī)器學(xué)習(xí)個(gè)人筆記黃海廣博士帶領(lǐng)團(tuán)隊(duì)整理了中文筆記：

https://github.com/fengdu78/deeplearning_ai_books

參考論文

吳恩達(dá)老師在課程中提到了很多優(yōu)秀論文，黃海廣博士整理如下：

https://github.com/fengdu78/deeplearning_ai_books/tree/master/%E5%8F%82%E8%80%83%E8%AE%BA%E6%96%87

課程PPT及課后作業(yè)

吳恩達(dá)深度學(xué)習(xí)課程，包含課程的課件、課后作業(yè)和一些其他資料：

https://github.com/stormstone/deeplearning.ai

公開課

Fast.ai《程序員深度學(xué)習(xí)實(shí)戰(zhàn)》

說(shuō)到深度學(xué)習(xí)的公開課，與吳恩達(dá)《Deep Learning》并駕齊驅(qū)的另一門公開課便是由Fast.ai出品的《程序員深度學(xué)習(xí)實(shí)戰(zhàn)》。這門課最大的特點(diǎn)便是“自上而下”而不是“自下而上”,是絕佳的通過(guò)實(shí)戰(zhàn)學(xué)習(xí)深度學(xué)習(xí)的課程。

視頻地址

B站地址(英文字幕)：

https://www.bilibili.com/video/av18904696?from=search&seid=10813837536595120136

CSDN地址(2017版中文字幕):

https://edu.csdn.net/course/detail/5192

課程筆記

英文筆記原文：

https://medium.com/@hiromi_suenaga/deep-learning-2-part-1-lesson-1-602f73869197

由ApacheCN組織的中文翻譯：

https://github.com/apachecn/fastai-ml-dl-notes-zh

公開課

CS230 Deep Learning

斯坦福的深度學(xué)習(xí)課程CS230在4月2日剛剛開課，對(duì)應(yīng)的全套PPT也隨之上線。從內(nèi)容來(lái)看，今年的課程與去年的差別不大，涵蓋了CNNs, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization 等深度學(xué)習(xí)的基本模型，涉及醫(yī)療、自動(dòng)駕駛、手語(yǔ)識(shí)別、音樂(lè)生成和自然語(yǔ)言處理等領(lǐng)域。

Datawhale整理了該門課程的詳細(xì)介紹及參考資料:

吳恩達(dá)CS230深度學(xué)習(xí)開課了！視頻配套PPT應(yīng)有盡有

書籍

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) - 復(fù)旦邱錫鵬

本書是入門深度學(xué)習(xí)領(lǐng)域的極佳教材，主要介紹了神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)中的基礎(chǔ)知識(shí)、主要模型（前饋網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)等）以及在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的應(yīng)用。

復(fù)旦教授邱錫鵬開源發(fā)布《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》

書籍

《深度學(xué)習(xí)》

完成以上學(xué)習(xí)后，想要更加系統(tǒng)的建立深度學(xué)習(xí)的知識(shí)體系，閱讀《深度學(xué)習(xí)》準(zhǔn)沒(méi)錯(cuò)。該書從淺入深介紹了基礎(chǔ)數(shù)學(xué)知識(shí)、機(jī)器學(xué)習(xí)經(jīng)驗(yàn)以及現(xiàn)階段深度學(xué)習(xí)的理論和發(fā)展，它能幫助人工智能技術(shù)愛(ài)好者和從業(yè)人員在三位專家學(xué)者的思維帶領(lǐng)下全方位了解深度學(xué)習(xí)。

書籍介紹

《深度學(xué)習(xí)》通常又被稱為花書，深度學(xué)習(xí)領(lǐng)域最經(jīng)典的暢銷書。由全球知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學(xué)習(xí)領(lǐng)域奠基性的經(jīng)典教材。該書被大眾尊稱為“AI圣經(jīng)”。

在線閱讀

該書由眾多網(wǎng)友眾包翻譯，電子版在以下地址獲得：

https://github.com/exacity/deeplearningbook-chinese

書籍

《深度學(xué)習(xí) 500 問(wèn)》

當(dāng)你看完了所有的視頻，研習(xí)了AI圣經(jīng)，一定充滿了滿腦子問(wèn)號(hào)，此時(shí)不如來(lái)深度學(xué)習(xí)面試中常見(jiàn)的500個(gè)問(wèn)題。

書籍介紹

DeepLearning-500-questions，作者是川大的一名優(yōu)秀畢業(yè)生談繼勇。該項(xiàng)目以深度學(xué)習(xí)面試問(wèn)答形式，收集了 500 個(gè)問(wèn)題和答案。內(nèi)容涉及了常用的概率知識(shí)、線性代數(shù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等熱點(diǎn)問(wèn)題，該書目前尚未完結(jié)，卻已經(jīng)收獲了Github 2.4w stars。

項(xiàng)目地址：

https://github.com/scutan90/DeepLearning-500-questions

工具

TensorFlow 官方文檔

學(xué)深度學(xué)習(xí)一定離不開TensorFlow

官方文檔：

https://www.tensorflow.org/api_docs/python/tf

中文文檔：

https://github.com/jikexueyuanwiki/tensorflow-zh

工具

PyTorch官方文檔

PyTorch是學(xué)深度學(xué)習(xí)的另一個(gè)主流框架

官方文檔：

https://pytorch.org/docs/stable/index.html

中文文檔(版本0.3)：

https://github.com/apachecn/pytorch-doc-zh

強(qiáng)化學(xué)習(xí)

公開課

Reinforcement Learning-David Silver

與吳恩達(dá)的課程對(duì)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)初學(xué)者的意義相同，David Silver的這門課程絕對(duì)是大多數(shù)人學(xué)習(xí)強(qiáng)化學(xué)習(xí)必選的課程。

課程從淺到深，把強(qiáng)化學(xué)習(xí)的內(nèi)容娓娓道來(lái)，極其詳盡。不過(guò)由于強(qiáng)化學(xué)習(xí)本身的難度，聽(tīng)講這門課還是有一定的門檻，建議還是在大致了解這個(gè)領(lǐng)域之后觀看該視頻學(xué)習(xí)效果更佳，更容易找到學(xué)習(xí)的重點(diǎn)。

視頻地址

B站地址(中文字幕)：

https://www.bilibili.com/video/av45357759?from=search&seid=9547815852611563503

課程原地址：

https://www.youtube.com/watch?v=2pWv7GOvuf0

課程資料

課程PPT：

http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html

課程筆記：

https://www.zhihu.com/people/qqiang00/posts

公開課

李宏毅《深度強(qiáng)化學(xué)習(xí)》

David Silver的課程雖然內(nèi)容詳盡，但前沿的很多內(nèi)容都沒(méi)有被包括在內(nèi)，這時(shí)，臺(tái)大李宏毅的《深度強(qiáng)化學(xué)習(xí)》就是學(xué)習(xí)前沿動(dòng)態(tài)的不二之選。

視頻地址

B站地址(中文字幕)：

https://www.bilibili.com/video/av24724071?from=search&seid=9547815852611563503

課程原地址：

https://www.youtube.com/watch?v=2pWv7GOvuf0

課程資料

課程PPT：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html

課程筆記：

https://blog.csdn.net/cindy_1102/article/details/87905272

前沿Paper

Arxiv

Arxiv Stats

Arxiv 機(jī)器學(xué)習(xí)最新論文檢索主頁(yè)地址：

https://arxiv.org/list/stat.ML/recent?ref=bestofml.com

Arxiv Sanity Preserver

Andrej Karpathy 開發(fā)了 Arxiv Sanity Preserver，幫助分類、搜索和過(guò)濾特征

主頁(yè)地址：

http://www.arxiv-sanity.com/?ref=bestofml.com

Papers with Code

Papers with Code(Browse state-of-the-art)

這個(gè)網(wǎng)站叫做 Browse state-of-the-art。它將 ArXiv 上的最新深度學(xué)習(xí)論文與 GitHub 上的開源代碼聯(lián)系起來(lái)。該項(xiàng)目目前包含了 651 個(gè)排行榜，1016 個(gè)深度學(xué)習(xí)任務(wù)，795 個(gè)數(shù)據(jù)集，以及重磅的 10257 個(gè)含復(fù)現(xiàn)代碼的優(yōu)秀論文。簡(jiǎn)直就是一個(gè)尋找論文和代碼的利器。它將 1016 個(gè)深度學(xué)習(xí)任務(wù)分成了 16 大類，涉及了深度學(xué)習(xí)的各個(gè)方面。

主頁(yè)地址：

https://paperswithcode.com/sota

舉兩個(gè)例子：

CV：

https://paperswithcode.com/area/computer-vision

NLP：

https://paperswithcode.com/area/natural-language-processing

Papers with Code(Sorted by stars)

這份資源收集了 AI 領(lǐng)域從 2013 - 2018 年所有的論文，并按照在 GitHub 上的標(biāo)星數(shù)量進(jìn)行排序。

GitHub 項(xiàng)目地址：

https://github.com/zziz/pwc

Deep Learning Papers 閱讀路線

如果你是深度學(xué)習(xí)領(lǐng)域的新手，你可能會(huì)遇到的第一個(gè)問(wèn)題是“我應(yīng)該從哪篇論文開始閱讀？”下面是一個(gè)深入學(xué)習(xí)論文的閱讀路線圖！

GitHub 項(xiàng)目地址：

https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap

這份深度學(xué)習(xí)論文閱讀路線分為三大塊：

1 Deep Learning History and Basics

2 Deep Learning Method

3 Applications

Deep Learning Object Detection

目標(biāo)檢測(cè)（Object Detection）是深度學(xué)習(xí) CV 領(lǐng)域的一個(gè)核心研究領(lǐng)域和重要分支。縱觀 2013 年到 2019 年，從最早的

R-CNN

、Fast R-CNN 到后來(lái)的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型層出不窮，性能也越來(lái)越好！

本資源對(duì)目標(biāo)檢測(cè)近幾年的發(fā)展和相關(guān)論文做出一份系統(tǒng)介紹，總結(jié)一份超全的文獻(xiàn) paper 列表。

GitHub 項(xiàng)目地址：

https://github.com/hoya012/deep_learning_object_detection

知名會(huì)議

會(huì)議

NeurIPS：https://nips.cc/

ICML：https://icml.cc/

ICLR：https://iclr.cc/

AAAI：https://aaai.org/Conferences/AAAI-19/

IJCAI：https://www.ijcai.org/

UAI：http://www.auai.org/uai2019/index.php

計(jì)算機(jī)視覺(jué)：

CVPR：http://cvpr2019.thecvf.com/

ECCV：https://eccv2018.org/program/main-conference/

ICCV：http://iccv2019.thecvf.com/

自然語(yǔ)言處理：

ACL：http://www.aclcargo.com/

EMNLP：https://www.aclweb.org/portal/content/emnlp-2018

NAACL：https://naacl2019.org/

知名期刊:

JAIR：https://www.jair.org/index.php/jair

JMLR：http://www.jmlr.org/

其它

機(jī)器人方面，有 CoRL（學(xué)習(xí)）、ICAPS（規(guī)劃，包括但不限于機(jī)器人）、ICRA、IROS、RSS；

對(duì)于更理論性的研究，有 AISTATS、COLT、KDD。

理論應(yīng)用

自然語(yǔ)言處理

NLP是什么

自然語(yǔ)言處理（NLP，Natural Language Processing）是研究計(jì)算機(jī)處理人類語(yǔ)言的一門技術(shù)，目的是彌補(bǔ)人類交流（自然語(yǔ)言）和計(jì)算機(jī)理解（機(jī)器語(yǔ)言）之間的差距。NLP包含句法語(yǔ)義分析、信息抽取、文本挖掘、

機(jī)器翻譯

、信息檢索、問(wèn)答系統(tǒng)

和對(duì)話系統(tǒng)等領(lǐng)域。

課程推薦

CS224n 斯坦福深度自然語(yǔ)言處理課

17版中文字幕：

https://www.bilibili.com/video/av41393758/?p=1

課程筆記：

http://www.hankcs.com/?s=CS224n%E7%AC%94%E8%AE%B0

2019版課程主頁(yè)：

http://web.stanford.edu/class/cs224n/

自然語(yǔ)言處理 - Dan Jurafsky 和 Chris Manning

B站英文字幕版：

https://www.bilibili.com/video/av35805262/

學(xué)術(shù)激流網(wǎng)：

http://academictorrents.com/details/d2c8f8f1651740520b7dfab23438d89bc8c0c0ab

書籍推薦

Python自然語(yǔ)言處理

入門讀物，整本書不僅涉及了語(yǔ)料庫(kù)的操作，也對(duì)傳統(tǒng)的基于規(guī)則的方法有所涉及。全書包括了分詞（tokenization）、詞性標(biāo)注（POS）、語(yǔ)塊（Chunk）標(biāo)注、句法剖析與語(yǔ)義剖析等方面，是nlp中不錯(cuò)的一本實(shí)用教程。

自然語(yǔ)言處理綜論

By Daniel Jurafsky和James H. Martin

本書十分權(quán)威，是經(jīng)典的NLP教科書，涵蓋了經(jīng)典自然語(yǔ)言處理、統(tǒng)計(jì)自然語(yǔ)言處理、語(yǔ)音識(shí)別和計(jì)算語(yǔ)言學(xué)等方面。

統(tǒng)計(jì)自然語(yǔ)言處理基礎(chǔ)

By Chris Manning和HinrichSchütze

更高級(jí)的統(tǒng)計(jì)NLP方法，在統(tǒng)計(jì)基本部分和n元語(yǔ)法部分介紹得都很不錯(cuò)。

博客推薦

我愛(ài)自然語(yǔ)言處理

地址：http://www.52nlp.cn/

TFIDF、文檔相似度等等在這個(gè)網(wǎng)站上都有通俗易懂的解釋

語(yǔ)言日志博客（Mark Liberman）

地址：

http://languagelog.ldc.upenn.edu/nll/

natural language processing blog

地址：https://nlpers.blogspot.com/

美國(guó)Hal Daumé III維護(hù)的一個(gè)natural language processing的博客，經(jīng)常評(píng)論最新學(xué)術(shù)動(dòng)態(tài)，值得關(guān)注。有關(guān)于ACL、NAACL等學(xué)術(shù)會(huì)議的參會(huì)感想和對(duì)論文的點(diǎn)評(píng)

項(xiàng)目推薦

基于LSTM的中文問(wèn)答系統(tǒng)

https://github.com/S-H-Y-GitHub/QA

基于RNN的文本生成器

https://github.com/karpathy/char-rnn

基于char-rnn的汪峰歌詞生成器

https://github.com/phunterlau/wangfeng-rnn

用RNN生成手寫數(shù)字

https://github.com/skaae/lasagne-draw

開源NLP工具包

中文NLP相關(guān)：https://github.com/crownpku/Awesome-Chinese-NLP

英文NLP相關(guān)：

NLTK: http://www.nltk.org/

TextBlob: http://textblob.readthedocs.org/en/dev/

Gensim: http://radimrehurek.com/gensim/

Pattern: http://www.clips.ua.ac.be/pattern

Spacy: http://spacy.io

Orange: http://orange.biolab.si/features/

Pineapple: https://github.com/proycon/pynlpl

相關(guān)論文

100 Must-Read NLP Papers

https://github.com/mhagiwara/100-nlp-papers

計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)的應(yīng)用

無(wú)人駕駛

無(wú)人安防

人臉識(shí)別

車輛車牌識(shí)別

以圖搜圖

VR/AR

3D重構(gòu)

無(wú)人機(jī)

醫(yī)學(xué)圖像分析

其他

課程推薦

Stanford CS223B

比較適合基礎(chǔ)，適合剛剛?cè)腴T的同學(xué)，跟深度學(xué)習(xí)的結(jié)合相對(duì)來(lái)說(shuō)會(huì)少一點(diǎn)，不會(huì)整門課講深度學(xué)習(xí)，而是主要講計(jì)算機(jī)視覺(jué)，方方面面都會(huì)講到

李飛飛：CS231n課程：

https://mp.weixin.qq.com/s/-NaDpXsxvu4DpXqVNXIAvQ

書籍推薦

1.入門學(xué)習(xí)：

《Computer Vision：Models, Learning and Inference》

2.經(jīng)典權(quán)威的參考資料：

《Computer Vision：Algorithms and Applications》

3.理論實(shí)踐：

《OpenCV3編程入門》

推薦系統(tǒng)

推薦系統(tǒng)是什么

推薦系統(tǒng)就是自動(dòng)聯(lián)系用戶和物品的一種工具，它能夠在信息過(guò)載的環(huán)境中幫助用戶發(fā)現(xiàn)令他們感興趣的信息，也能將信息推送給對(duì)它們感興趣的用戶。推薦系統(tǒng)屬于資訊過(guò)濾的一種應(yīng)用。

推薦課程

推薦系統(tǒng)專項(xiàng)課程《Recommender Systems Specialization》

這個(gè)系列由4門子課程和1門畢業(yè)項(xiàng)目課程組成，包括推薦系統(tǒng)導(dǎo)論，最近鄰協(xié)同過(guò)濾，推薦系統(tǒng)評(píng)價(jià)，矩陣分解和高級(jí)技術(shù)等。

觀看地址：

https://www.coursera.org/specializations/recommender-systems

書籍推薦

《推薦系統(tǒng)實(shí)踐》（項(xiàng)亮著）

《推薦系統(tǒng)》（Dietmar Jannach等著，蔣凡譯）

《用戶網(wǎng)絡(luò)行為畫像》（牛溫佳等著）

《Recommender Systems Handbook》（Paul B·Kantor等著）

算法庫(kù)

LibRec

LibRec是一個(gè)Java版本的覆蓋了70余個(gè)各類型推薦算法的推薦系統(tǒng)開源算法庫(kù)，由國(guó)內(nèi)的推薦系統(tǒng)大牛郭貴冰創(chuàng)辦，目前已更新到2.0版本，它有效地解決了評(píng)分預(yù)測(cè)和物品推薦兩大關(guān)鍵的推薦問(wèn)題。

項(xiàng)目地址: https://github.com/guoguibing/librec

官網(wǎng)地址： https://www.librec.net/

LibMF

C++版本開源推薦系統(tǒng)，主要實(shí)現(xiàn)了基于矩陣分解的推薦系統(tǒng)。針對(duì)SGD（隨即梯度下降）優(yōu)化方法在并行計(jì)算中存在的 locking problem 和 memory discontinuity問(wèn)題，提出了一種矩陣分解的高效算法FPSGD（Fast Parallel SGD），根據(jù)計(jì)算節(jié)點(diǎn)的個(gè)數(shù)來(lái)劃分評(píng)分矩陣block，并分配計(jì)算節(jié)點(diǎn)。

項(xiàng)目地址：

http://www.csie.ntu.edu.tw/~cjlin/libmf/

SurPRISE

一個(gè)Python版本的開源推薦系統(tǒng)，有多種經(jīng)典推薦算法

項(xiàng)目地址：http://surpriselib.com/

Neural Collaborative Filtering

神經(jīng)協(xié)同過(guò)濾推薦算法的Python實(shí)現(xiàn)

項(xiàng)目地址：

https://github.com/hexiangnan/neural_collaborative_filtering

Crab

基于Python開發(fā)的開源推薦軟件，其中實(shí)現(xiàn)有item和user的協(xié)同過(guò)濾

項(xiàng)目地址：http://muricoca.github.io/crab/

常用數(shù)據(jù)集

MovieLen

https://grouplens.org/datasets/movielens/

MovieLens數(shù)據(jù)集中，用戶對(duì)自己看過(guò)的電影進(jìn)行評(píng)分，分值為1~5。MovieLens包括兩個(gè)不同大小的庫(kù)，適用于不同規(guī)模的算法。小規(guī)模的庫(kù)是943個(gè)獨(dú)立用戶對(duì)1 682部電影作的10 000次評(píng)分的數(shù)據(jù)；大規(guī)模的庫(kù)是6 040個(gè)獨(dú)立用戶對(duì)3 900部電影作的大約100萬(wàn)次評(píng)分。適用于傳統(tǒng)的推薦任務(wù)

Douban

https://www.cse.cuhk.edu.hk/irwin.king.new/pub/data/douban

Douban是豆瓣的匿名數(shù)據(jù)集，它包含了12萬(wàn)用戶和5萬(wàn)條電影數(shù)據(jù)，是用戶對(duì)電影的評(píng)分信息和用戶間的社交信息，適用于社會(huì)化推薦任務(wù)。

BookCrossing

http://www2.informatik.uni-freiburg.de/~cziegler/BX/

這個(gè)數(shù)據(jù)集是網(wǎng)上的Book-Crossing圖書社區(qū)的278858個(gè)用戶對(duì)271379本書進(jìn)行的評(píng)分，包括顯式和隱式的評(píng)分。這些用戶的年齡等人口統(tǒng)計(jì)學(xué)屬性(demographic feature)都以匿名的形式保存并供分析。這個(gè)數(shù)據(jù)集是由Cai-Nicolas Ziegler使用爬蟲程序在2004年從Book-Crossing圖書社區(qū)上采集的。

推薦論文

經(jīng)典必讀論文整理，包括綜述文章、傳統(tǒng)經(jīng)典推薦文章、社會(huì)化推薦文章、基于深度學(xué)習(xí)的推薦系統(tǒng)文章、專門用于解決冷啟動(dòng)的文章、POI相關(guān)的論文、利用哈希技術(shù)來(lái)加速推薦的文章以及推薦系統(tǒng)中經(jīng)典的探索與利用問(wèn)題的相關(guān)文章等。

項(xiàng)目地址:

https://github.com/hongleizhang/RSPapers

推薦項(xiàng)目

1.推薦系統(tǒng)機(jī)制介紹，面向內(nèi)容創(chuàng)作者。分享人：項(xiàng)亮，推薦算法架構(gòu)師:

https://v.qq.com/x/page/f0800qavik7.html?

2. 3分鐘了解推薦系統(tǒng)原理

https://v.qq.com/x/page/g05349lb80j.html?

3.facebook是如何為十億人推薦好友的

https://code.facebook.com/posts/861999383875667/recommending-items-to-more-than-a-billion-people/

4.Netflix的個(gè)性化和推薦系統(tǒng)架構(gòu)

http://techblog.netflix.com/2013/03/system-architectures-for.html

風(fēng)控模型（評(píng)分卡模型）

評(píng)分卡模型簡(jiǎn)介

評(píng)分卡模型時(shí)在銀行、互金等公司與借貸相關(guān)業(yè)務(wù)中最常見(jiàn)也是最重要的模型之一。簡(jiǎn)而言之它的作用就是對(duì)客戶進(jìn)行打分，來(lái)對(duì)客戶是否優(yōu)質(zhì)進(jìn)行評(píng)判。

根據(jù)評(píng)分卡模型應(yīng)用的業(yè)務(wù)階段不用，評(píng)分卡模型主要分為三大類：A卡（Application score card）申請(qǐng)?jiān)u分卡、B卡（Behavior score card）行為評(píng)分卡、C卡（Collection score card）催收評(píng)分卡。其中申請(qǐng)?jiān)u分卡用于貸前，行為評(píng)分卡用于貸中，催收評(píng)分卡用于貸后，這三種評(píng)分卡在我們的信貸業(yè)務(wù)的整個(gè)生命周期都至關(guān)重要。

推薦書籍

《信用風(fēng)險(xiǎn)評(píng)分卡研究——基于SAS的開發(fā)與實(shí)施》

評(píng)分卡模型建模過(guò)程

樣本選取

確定訓(xùn)練樣本、測(cè)試樣本的觀察窗（特征的時(shí)間跨度）與表現(xiàn)窗（標(biāo)簽的時(shí)間跨度），且樣本的標(biāo)簽定義是什么？一般情況下風(fēng)險(xiǎn)評(píng)分卡的標(biāo)簽都是考慮客戶某一段時(shí)間內(nèi)的延滯情況。

特征準(zhǔn)備

原始特征、衍生變量

數(shù)據(jù)清洗

根據(jù)業(yè)務(wù)需求對(duì)缺失值或異常值等進(jìn)行處理

特征篩選

根據(jù)特征的IV值（特征對(duì)模型的貢獻(xiàn)度）、PSI（特征的穩(wěn)定性）來(lái)進(jìn)行特征篩選，IV值越大越好（但是一個(gè)特征的IV值超過(guò)一定閾值可能要考慮是否用到未來(lái)數(shù)據(jù)），PSI越小越好（一般建模時(shí)取特征的PSI小于等于0.01）

對(duì)特征進(jìn)行WOE轉(zhuǎn)換

即對(duì)特征進(jìn)行分箱操作，注意在進(jìn)行WOE轉(zhuǎn)換時(shí)要注重特征的可解釋性

建立模型

在建立模型過(guò)程中可根據(jù)模型和變量的統(tǒng)計(jì)量判斷模型中包含和不包含每個(gè)變量時(shí)的模型質(zhì)量來(lái)進(jìn)行變量的二次篩選。

評(píng)分指標(biāo)

評(píng)分卡模型一般關(guān)注的指標(biāo)是KS值（衡量的是好壞樣本累計(jì)分部之間的差值）、模型的PSI(即模型整體的穩(wěn)定性）、AUC值等。

知識(shí)圖譜

知識(shí)圖譜是什么

知識(shí)圖譜是一種結(jié)構(gòu)化數(shù)據(jù)的處理方法，它涉及知識(shí)的提取、表示、存儲(chǔ)、檢索等一系列技術(shù)。從淵源上講，它是知識(shí)表示與推理、數(shù)據(jù)庫(kù)、信息檢索、自然語(yǔ)言處理等多種技術(shù)發(fā)展的融合。

推薦資料

為什么需要知識(shí)圖譜？什么是知識(shí)圖譜？——KG的前世今生

https://zhuanlan.zhihu.com/p/31726910

什么是知識(shí)圖譜？

https://zhuanlan.zhihu.com/p/34393554

智能搜索時(shí)代：知識(shí)圖譜有何價(jià)值？

https://zhuanlan.zhihu.com/p/35982177?from=1084395010&wm=9848_0009&weiboauthoruid=5249689143

百度王海峰：知識(shí)圖譜是 AI 的基石

http://www.infoq.com/cn/news/2017/11/Knowledge-map-cornerstone-AI#0-tsina-1-5001-397232819ff9a47a7b7e80a40613cfe1

譯文|從知識(shí)抽取到RDF知識(shí)圖譜可視化

http://rdc.hundsun.com/portal/article/907.html?hmsr=toutiao.io&utm_medium=toutiao.io&utm_source=toutiao.io

主要內(nèi)容

3.1 知識(shí)提取

構(gòu)建kg首先需要解決的是數(shù)據(jù)，知識(shí)提取是要解決結(jié)構(gòu)化數(shù)據(jù)生成的問(wèn)題。我們可以用自然語(yǔ)言處理的方法，也可以利用規(guī)則。

3.1.1 使用規(guī)則

正則表達(dá)式

正則表達(dá)式（Regular Expression， regex）是字符串處理的基本功。數(shù)據(jù)爬取、數(shù)據(jù)清洗、實(shí)體提取、關(guān)系提取，都離不開regex。

推薦資料入門：

精通正則表達(dá)式

regexper 可視化：例 [a-z]*(\d{4}(\D+))

pythex 在線測(cè)試正則表達(dá)式：

http://pythex.org/

推薦資料進(jìn)階：

re2 ：

Python wrapper for Google's RE2 using Cython

https://pypi.python.org/pypi/re2/

Parsley ：更人性化的正則表達(dá)語(yǔ)法

http://parsley.readthedocs.io/en/latest/tutorial.html

中文分詞和詞性標(biāo)注

分詞也是后續(xù)所有處理的基礎(chǔ)，詞性（Part of Speech, POS）就是中學(xué)大家學(xué)過(guò)的動(dòng)詞、名詞、形容詞等等的詞的分類。一般的分詞工具都會(huì)有詞性標(biāo)注的選項(xiàng)。

推薦資料入門：

jieba 中文分詞包

https://github.com/fxsjy/jieba

中文詞性標(biāo)記集

https://github.com/memect/kg-beijing/wiki/

推薦資料進(jìn)階：

genius 采用 CRF條件隨機(jī)場(chǎng)算法

https://github.com/duanhongyi/genius

Stanford CoreNLP分詞

https://blog.csdn.net/guolindonggld/article/details/72795022

命名實(shí)體識(shí)別

命名實(shí)體識(shí)別（NER）是信息提取應(yīng)用領(lǐng)域的重要基礎(chǔ)工具，一般來(lái)說(shuō)，命名實(shí)體識(shí)別的任務(wù)就是識(shí)別出待處理文本中三大類（實(shí)體類、時(shí)間類和數(shù)字類）、七小類（人名、機(jī)構(gòu)名、地名、時(shí)間、日期、貨幣和百分比）命名實(shí)體。

推薦資料：

Stanford CoreNLP 進(jìn)行中文命名實(shí)體識(shí)別

https://blog.csdn.net/guolindonggld/article/details/72795022

3.1.2 使用深度學(xué)習(xí)

使用自然語(yǔ)言處理的方法，一般是給定schema，從非結(jié)構(gòu)化數(shù)據(jù)中抽取特定領(lǐng)域的三元組（spo），如最近百度舉辦的比賽就是使用DL模型進(jìn)行信息抽取。

序列標(biāo)注

使用序列生出模型，主要是標(biāo)記出三元組中subject及object的起始位置，從而抽取信息。

推薦資料：

序列標(biāo)注問(wèn)題

https://www.cnblogs.com/jiangxinyang/p/9368482.html

seq2seq

使用seq2seq端到端的模型，主要借鑒文本摘要的思想，將三元組看成是非結(jié)構(gòu)化文本的摘要，從而進(jìn)行抽取，其中還涉及Attention機(jī)制。

推薦資料：

seq2seq詳解

https://blog.csdn.net/irving_zhang/article/details/78889364

詳解從Seq2Seq模型到Attention模型

https://caicai.science/2018/10/06/attention%E6%80%BB%E8%A7%88/

3.2 知識(shí)表示

知識(shí)表示（Knowledge Representation，KR，也譯為知識(shí)表現(xiàn)）是研究如何將結(jié)構(gòu)化數(shù)據(jù)組織，以便于機(jī)器處理和人的理解的方法。

需要熟悉下面內(nèi)容：

JSON和YAML

json庫(kù)：

https://docs.python.org/2/library/json.html

PyYAML: 是Python里的Yaml處理庫(kù)

http://pyyaml.org/wiki/PyYAML

RDF和OWL語(yǔ)義：

http://blog.memect.cn/?p=871

JSON-LD

主頁(yè)：http://json-ld.org/

3.3 知識(shí)存儲(chǔ)

需要熟悉常見(jiàn)的圖數(shù)據(jù)庫(kù)

a.知識(shí)鏈接的方式：字符串、外鍵、URI

b.PostgreSQL及其JSON擴(kuò)展

Psycopg包操作PostgreSQL

http://initd.org/psycopg/docs/

c.圖數(shù)據(jù)庫(kù) Neo4j和OrientDB

1.Neo4j的Python接口 https://neo4j.com/developer/python/

2.OrientDB：http://orientdb.com/orientdb/

d.RDF數(shù)據(jù)庫(kù)Stardog

Stardog官網(wǎng)：http://stardog.com/

3.4 知識(shí)檢索

需要熟悉常見(jiàn)的檢索技術(shù)

ElasticSearch教程：

http://joelabrahamsson.com/elasticsearch-101/

相關(guān)術(shù)語(yǔ)及技術(shù)路線

本體：

https://www.zhihu.com/question/19558514

RDF：

https://www.w3.org/RDF/

Apache Jena：

https://jena.apache.org/

D2RQ：

http://d2rq.org/getting-started

4.1 Protege構(gòu)建本體系列

protege：

https://protege.stanford.edu/

protege使用：

https://zhuanlan.zhihu.com/p/32389370

4.2 開發(fā)語(yǔ)言

python或java

4.3 圖數(shù)據(jù)庫(kù)技術(shù)

Neo4j：https://neo4j.com/

AllegroGraph：https://franz.com/agraph/allegrograph/

4.4 可視化技術(shù)

d3.js：https://d3js.org/

Cytoscape.js：http://js.cytoscape.org/

4.5 分詞技術(shù)

jieba：https://github.com/fxsjy/jieba

hanlp：https://github.com/hankcs/HanLP

項(xiàng)目實(shí)戰(zhàn)

基于知識(shí)圖譜的問(wèn)答：

https://github.com/kangzhun/KnowledgeGraph-QA-Service

Agriculture_KnowledgeGraph：

https://github.com/qq547276542/Agriculture_KnowledgeGraph

貢獻(xiàn)平臺(tái)

由知名開源平臺(tái)，AI技術(shù)平臺(tái)以及領(lǐng)域?qū)＜遥篈pacheCN，Datawhale，AI有道和黃海廣博士聯(lián)合整理貢獻(xiàn)：

1.ApacheCN：片刻，李翔宇，飛龍，王翔

2.Datawhale：范晶晶，馬晶敏，李碧涵，李福，光城，居居，康兵兵，鄭家豪

3.AI有道：紅色石頭

4.黃海廣博士

件間的傳值

下面通過(guò)項(xiàng)目進(jìn)行演示：（element-ui 目前比較成熟的是基于Vue2的版本）

創(chuàng)建一個(gè)Vue2的項(xiàng)目，項(xiàng)目名為：component-demo

具體創(chuàng)建過(guò)程參照上節(jié)課程。注意本項(xiàng)目選Vue2.x 版本

項(xiàng)目創(chuàng)建完成后，將 component-demo 文件夾拖入

Vue2 和 Vue3 對(duì)于初學(xué)者來(lái)說(shuō)只是區(qū)別在語(yǔ)法上有些區(qū)別

main.js 中的主要區(qū)別:

1.創(chuàng)建Vue對(duì)象：Vue3用createApp ; Vue2用 new Vue

2. Vue3用mount ； Vue2用 $mount

3.導(dǎo)入App組件，Vue2用 render 函數(shù)去渲染的App組件；Vue3 直接把App組件傳遞到了 createApp 里面。

最終都是把 App 組件渲染到 public\index.html 文件 <div id="app"></div> 中。

為更好的體現(xiàn)，清理一下程序。

1、刪除 HelloWorld.vue

2.刪除App.vue 組件里面下圖框選的部分

在 components 目錄下新建一個(gè) Mocie.vue 組件，輸入如下代碼。

注意：

Vue2里面所有的組件必須包含在一個(gè)父標(biāo)簽下<div> </div> 。Vue3沒(méi)有這個(gè)限制。

在根組件 App.vue 中完成導(dǎo)入、注冊(cè)和調(diào)用

運(yùn)行 npm rum serve 啟動(dòng)服務(wù)，

在瀏覽中就可以顯示效果

上面的自定義組件設(shè)置了一個(gè)固定的標(biāo)簽，顯示 “愛(ài)情天空”這幾個(gè)字符。下面演示動(dòng)態(tài)標(biāo)簽。

修改自定義 Movie.vue 標(biāo)簽的內(nèi)容，如下：

將<template>標(biāo)簽中固定的“愛(ài)情天空”替換為 {{title}} ，這時(shí)瀏覽器自動(dòng)變化，顯示如下圖：

注意：電影組件是需要重用的，如果在這里固定寫了標(biāo)題的內(nèi)容，假如有10部電影，不可能去創(chuàng)建10個(gè)組價(jià)。顯然組件里面的數(shù)據(jù)不應(yīng)該有它本身提供，而是應(yīng)該有外界的使用者來(lái)提供。應(yīng)該是誰(shuí)調(diào)用Movie組件誰(shuí)就提供數(shù)據(jù)。具體操作：

在 Movie.vue 組件中修改代碼如下：

然后在組件App.vue 中的 Movie 就有了 title 屬性，設(shè)置該屬性的值，就可以在瀏覽器中顯示出來(lái)

可以繼續(xù)增加自定義組件的屬性，例如增加一個(gè)評(píng)分屬性 rating

添加 rating 屬性后在根組件 App.vue 中就可以調(diào)用。

然后將輸入的評(píng)分傳遞回 Movie.vue 中的<span>{{rating}}</span> 中，在瀏覽器顯示出來(lái)。

如果有很多電影，可以在根組件 App.vue 中描述這個(gè)數(shù)據(jù)，使用 data 方法，后面會(huì)講到數(shù)據(jù)從網(wǎng)絡(luò)請(qǐng)求傳遞過(guò)來(lái)，目前先模擬一下，自行設(shè)置一些數(shù)據(jù)一個(gè)的movies 電影列表，里面有一些電影（包括：id、標(biāo)題title、和評(píng)分rating三個(gè)屬性）

data:function(){
 return{
 movies:[
 {id:1,title:"阿凡達(dá)",rating:9.2},
 {id:2,title:"愛(ài)情公寓",rating:8.7},
 {id:3,title:"金剛狼",rating:8.9},
 ]
 }
 },

現(xiàn)在需要根據(jù)有多少部電影就生成多少個(gè)Movie組件，使用列表渲染 v-for ,這里定義一個(gè)變量 movie d對(duì)應(yīng) movies 電影列表，還必須需要設(shè)置 key，綁定唯一的屬性 ,這里通過(guò)movie.id 取出列表唯一id。然后再綁定 title 和 rating（綁定屬性需要加：號(hào)，比如這里的 :key :title :rating ）

自定義的Movie.vue可以加樣式和各種標(biāo)簽，以后來(lái)數(shù)據(jù)的時(shí)候網(wǎng)頁(yè)的列表就自動(dòng)生成了。

組件里面有可以有自己的行為，比如加一個(gè)按鈕：

定義按鈕后彈出一個(gè)模擬“收藏成功”的對(duì)話框

組件間的傳值

在 components 目錄下新建一個(gè)Hello.vue 組件

在App.vue 中導(dǎo)入Hello.vue 組件,注冊(cè)，調(diào)用

現(xiàn)在 Movie 和 Hello 兩個(gè)組件都在<div></div>中調(diào)用，是兄弟組件，無(wú)法共享數(shù)據(jù)，無(wú)法像通過(guò)Movie.vue里面的 props 那樣來(lái)傳遞。

就是現(xiàn)在只能將 movies 里面的數(shù)據(jù)交給 Hello，而無(wú)法將Movie 里面的數(shù)據(jù)交給 Hello

要實(shí)現(xiàn)相互數(shù)據(jù)傳遞需要借助其它方法，后面再具體演示。

element-ui 介紹

（現(xiàn)在許多框架對(duì)Vue3 的支持還在迭代中，還是以Vue2來(lái)演示）

停止系統(tǒng)運(yùn)行，然后再終端輸入 npm i element-ui -S

第三方的組件的源碼都會(huì)安裝在 node_modules 目錄里面

還會(huì)在package.json 中記錄

注意：從網(wǎng)上下載的許多系統(tǒng)的源碼沒(méi)有 node_modules 目錄，但只要 package.json 中的記錄是完整的就可以通過(guò) npm install 自動(dòng)下載缺失的依賴。

從官網(wǎng)的快手上手，可以看詳細(xì)是使用方法

https://element.eleme.cn/#/zh-CN/component/quickstart

要使用也需要先在 main.js 中導(dǎo)入，然后進(jìn)行注冊(cè)。

（注意：前面我們?cè)贏pp.vue中注冊(cè)的 Movie 和 Hello 組件是局部注冊(cè)，第三方組件一般需要在main.js 中進(jìn)行全局注冊(cè)）

下面演示具體使用案例：

在官方網(wǎng)頁(yè)中選擇 Table 表格中的基礎(chǔ)表格進(jìn)行演示（其它組件使用方法類似），點(diǎn)擊顯示代碼，

將里面的代碼復(fù)制到我們自定義的 Hello.vue 組件中

這時(shí)表格就在網(wǎng)頁(yè)中顯示出來(lái)了。

<srcipt>標(biāo)簽內(nèi)的data() 中 tableData 數(shù)據(jù)綁定給了 <template> 標(biāo)簽中的 :data="tableData"

每一列的prop 都和 <srcipt> 標(biāo)簽內(nèi) tableData 中的屬性對(duì)應(yīng)。例如 prop="date",在下面也有對(duì)應(yīng)的 date 屬性；prop="name",在下面也有對(duì)應(yīng)的 name 屬性;prop="address",在下面也有對(duì)應(yīng)的 address屬性.

label=“日期”，這里的 label 是表頭顯示內(nèi)容;

width=“180”，指單元格寬度180

在官方網(wǎng)站上有 Table Attributes 詳細(xì)說(shuō)明

再來(lái)演示一個(gè)事件組件，找到下圖的組件，復(fù)制代碼

顯示效果如下：

第三方圖標(biāo)庫(kù)