我们所谓的文创所谓的强国最终都要依靠科技复兴, 科技复兴关系你我未来十年技术栈. 那是未知的且 承载重托的一种东西.
那 , 你现在的工作 算是科技复兴的一步吗? 显然 算打擦边球 在科技圈里 不能算核心.
增删改查谁都会， 但是 自我学习 形成模型 和 反馈优化模型 ， 这就很考验未来的技术了 ，而这才是真正的科技赋能 服务大众。
我们的文创 包括 众多IP 产业, 模型 时尚, 包括金融板块 期货 股票 保险, 包括农业 传感 优化增值. 乃至于工业产品. 他都有需要 却 都难以入门. 入门单位我估计应该是 十亿起步,
因为钱不是事 真正花心思在超前的领域, 统筹到人力去把控才是关键.可以轻易拥有 千亿资产， 但不是可以轻易拥有 千面技术。 可能 区块连 比特币比较先进, 但我不认为他们具有人工智能, 因为如果具有 一般 几个不相干备份就可以了.
文化这块 最终会和科技走到一块， 但是科技如果没有拿下。 再好的文化也是没有生命力。
比如走路是 零到一百的魔法。 配合各个关节的魔法。 转向是一个魔法。 而跳舞层级 就是一套舞术。
而中国武术有很多， 棍术， 鞭术、枪术 拳脚功夫 , 这里面就相当于数学讲的模型集合和测试集合 . 虽然概念混淆, 但可以认知 雷同.
摆脱增删改查,走别人不懂的路 ,围棋是挡在人工智能面前的一个重大挑战 ， 算法起步就是 自己设计 围棋算法。
深度神经网络 的应用 当如此。
RP 感知环境，， SP 深度模仿， RL 自学成长，， VN 冷静分析
在千面领域 逐步实现这四个脑, 才是 未来科技十年 该走的路 该布的局.
附上 , 概念扫盲
ML机器学习、RL强化学习、DM数据挖掘、DL深度学习 初步理解
让机器具备人工智能的前提，需要我们用一定量的数据集对机器进行“训练”
机器学习算法基于样本数据（称为“ 训练数据 ”）建立数学模型，以便进行预测或决策，而无需明确地编程以执行任务, ML学习就是通过算法，使得机器能从大量的历史数据中学习规律，从而对新的样本做智能识别或预测未来.
机器学习在图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等很多方面的发展还存在着没有良好解决的问题。
传统的模式识别方法：通过传感器获取数据，然后经过预处理、特征提取、特征选择、再到推理、预测或识别。
常见的算法有：决策树、朴素贝叶斯、支持向量机、随机森林、人工神经网络、boosting和Bagging算法、关联规则算法、EM（期望最大化）算法、深度学习。
DL深度学习是机器学习算法的一个子类别
DM数据挖掘也是机器学习的一个研究领域，通过无监督学习进行探索性数据分析。
机器学习侧重于预测，但基于从训练数据中获知的已知属性，而数据挖掘则侧重于发现数据中（以前）的未知属性（这是知识发现的分析步骤在数据库中）。数据挖掘使用许多机器学习方法，但目标不同。另一方面，机器学习还采用数据挖掘方法作为“无监督学习”或预处理步骤，以提高学习者的准确性。
RL强化学习是机器学习的一个类别。强化学习使用机器的个人历史和经验来做出决定。强化学习的经典应用是玩游戏。
监督学习和无监督学习的区别：
监督学习：
监督学习是指学生从老师那里获取知识、信息，老师提供对错指示、告知最终答案。学生在学习过程中借助老师的提示获得经验、技能，最后对没有学习过的问题也可以做出正确解答。在监督学习中，我们只需要给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。机器只需从输入数据中预测合适的模型，并从中计算出目标变量的结果。要实现的目标是“对于输入数据X能预测变量Y”。
无监督学习：
无监督学习是指在没有老师的情况下，学生自学的过程。学生在学习的过程中，自己对知识进行归纳、总结。无监督学习中，类似分类和回归中的目标变量事先并不存在。要回答的问题是“从数据X中能发现什么”。
参考:https://www.zhihu.com/question/23194489