分类目录归档：通识
广大的网民实际上是数字农奴（又称云奴）。你在人家的领地里发帖子、上传照片视频，就是为领主工作。你拿不到多少回报，你的免费劳动只是为领主的公司增加价值。久而久之，你甚至还会产生心理依赖，一天不去领主的土地看看，心里就会万分失落。
这些数字领主有强烈的领地意识，造出了高高的围篱，防止自己的数字资产（数据）流出，或者领地被其他公司侵占。如果你要使用某个领主的领地，必须交付地租（使用费）。比如，你要把自己的 App 放在苹果应用商店出售，就必须把 30%的收入交给苹果。这是苹果对它的数字领地收取的地租，跟中世纪的封建制度一模一样。
为了打破技术封建主义，防止数字领主的出现，政府必须实行一些强制措施
2019 年，伯克利的研究人员发现，信息对大脑多巴胺产生的奖励系统的作用与食物相同。信息在大脑中的奖励系统中产生多巴胺，就像食物一样，这导致我们对信息的渴求变得像对食物的渴求一样强烈。
在信息过剩的时代，人们试图通过大量生产低质量的“垃圾信息”来吸引我们的注意力，这种信息就像思维的快餐，廉价而令人满足，但缺乏营养。垃圾信息包括包括八卦、琐事、吸引点击的内容、劣质新闻、营销、重复报道和胡言乱语，任何你无法利用的信息都是垃圾信息
由于你的多巴胺通路无法区分有用和无用的信息，消费垃圾信息让你感觉像是在学习——它提供了精神营养的假象——尽管你实际上只是在往大脑里塞虚拟爆米花
沉迷于无用信息最终会导
Sheila Teo 凭借 CO-STAR 提示词框架赢得了首届 GPT-4 提示工程大赛
目标：设定宽泛而基本的原则，为模型的期望行为指明方向。
规则：为处理复杂情况提供指南，确保安全性和合法性
默认行为：提供与目标和规则相符的指南，帮助解决冲突，并指导如何权衡和优先处理各种目标
2006 年 12 月，国际会议 IEEE International Conference on Data Mining（ICDM）评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.
“啤酒与尿布”，购物篮分析的经典案例
该故事据传来自20世纪90年代的美国沃尔玛超市的销售数据分析：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中
这种独特的销售现象引起了管理人员的注意，其背后是美国育婴家庭的分工习惯：母亲一般在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。
沃尔玛发现了这一独特的现象，并在卖场尝试将啤酒与尿布摆放在相同的区域；沃尔玛从上个世纪 90 年代尝试将艾格拉沃发明的商品关联关系的计算方法—— Apri
"切图仔"（2006）
jQuery 问世（2006）
随着 web 项目开发越来越复杂，原生 cc
瑞士奶酪理论（英语：Swiss Cheese Model），又称乳酪理论或瑞士起司理论，是英国曼彻斯特大学教授詹姆斯·瑞森（James Reason）于 1990 年提出的关于意外发生的风险分析与控管的模型
主要是讲，瑞士起司在制造与发酵过程当中，很自然的会产生小孔洞。如果把许多片起司重叠在一起，正常情况下，每片起司的空洞位置不同，光线透不过。只有在很极端的情况下，空洞刚好连成一直线，才会让光线透过去。导致严重事故发生的从来都不是因为某个单独的原因，而是多个问题同时出现。
瑞士起司理论示意图：左方是危险（Hazards），穿过数个孔洞后导致损失（Losses）
上图的一片片乳酪，往往代表
柯尼斯堡七桥问题（Seven Bridges of Königsberg）是图论中的著名问题
这个问题是基于一个现实生活中的事例：当时东普鲁士柯尼斯堡（今日俄罗斯加里宁格勒）市区跨普列戈利亚河两岸，河中心有两个小岛。小岛与河的两岸有七条桥连接。在所有桥都只能走一遍的前提下，如何才能把这个地方所有的桥都走遍？
莱昂哈德·欧拉在 1735 年提出，并没有方法能圆满解决这个问题，他更在第二年发表在论文《柯尼斯堡的七桥》中，证明符合条件的走法并不存在，也顺带提出和解决了一笔画问题。
这篇论文在圣彼得堡科学院发表，成为图论史上第一篇重要文献
欧拉把问题的实质归于一笔画问题，即判断一个图是否能够
光流（Optical Flow）是计算机视觉中的一个重要概念，它主要描述的是图像序列中像素在时间维度上的运动变化。
简单来说，光流就是在连续的两帧图像之间，每个像素点的运动速度和方向。
光流的计算基于这样一个假设：在短时间内，连续的图像帧之间，像素的颜色值不会发生显著的变化。基于这个假设，我们可以通过比较连续的两帧图像，来计算出像素点在这两帧之间的运动。
光流有很多应用，例如在视频处理中，可以用来进行运动检测、物体跟踪等；在自动驾驶和机器人领域，可以用来进行场景理解、导航和避障等。
光流问题的主要挑战在于，它是一个典型的病态问题，即小的测量误差可能导致结果的巨大变化，因此需要采用复杂的优化