這是我們學(xué)習(xí) Python 及其在機(jī)器學(xué)習(xí) (ML) 和人工智能 (AI) 中的應(yīng)用系列中的第三個(gè)模塊。在上一個(gè)模塊中，我們了解了數(shù)據(jù)結(jié)構(gòu)和循環(huán)。現(xiàn)在讓我們更深入地了解生成器和類。

這是我們系列中的第二個(gè)模塊，可幫助您了解 Python 及其在機(jī)器學(xué)習(xí) (ML) 和人工智能 (AI) 中的使用。我們可以更深入地了解列表和元組數(shù)據(jù)結(jié)構(gòu)，并了解如何使用它們。

Python 是人工智能和機(jī)器學(xué)習(xí)的首要編程語言。本文將向您介紹重要的 Python 基礎(chǔ)知識(shí)，包括：從何處獲取 Python、Python 2 和 Python 3 之間的區(qū)別以及熟悉的語言概念（如語法和變量）如何在 Python 中工作。

在機(jī)器學(xué)習(xí)中，KL散度,JS散度,交叉熵這三個(gè)指標(biāo)都是比較不好區(qū)分差異的，小編在看論文《Detecting Regions of Maximal Divergence for Spatio-Temporal Anomaly Detection》時(shí)，看到文中提到了這三種方法來比較時(shí)間序列中不同區(qū)域概率分布的差異。特意分享出來給各位小伙伴們加深理解。

隨著python的大火，人工智能領(lǐng)域也在蓬勃的發(fā)展（人工智能的大火也導(dǎo)致了python的發(fā)展）。在人工智能的發(fā)展中，圖像識(shí)別技術(shù)是里面發(fā)展得比較好的一部分技術(shù)，很多互聯(lián)網(wǎng)大廠都在這一方面投入了很多精力并獲得了不菲的成果。今天我們就通過介紹計(jì)算機(jī)圖像存儲(chǔ)的方式，來介紹一下圖像識(shí)別的原理吧！