关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点 10 个功能独特的开源人工智能项目。
当公司以代码行数作为考核目标，可能会因此鼓励大量垃圾代码的产生，而错过了简洁优雅的优秀代码；如果以解决Bug的数量作为评判标准，可能会挫败优秀程序员的积极性。因为如果程序员因为修复自己项目的Bug数量多而受到赏识，估计就没有员工愿意一开始就写出完美无缺的代码了
有人甚至把名字都给我想好了，叫“深度程序员”（DeepCoder = Deep Learning + Coder）。口号是：“有了 DeepCoder，不用 Top Coder！” 还有人给我指出了这方向最新的，吹得神乎其神的研究，比如微软的 Robust Fill…… 我谢谢这些人的关心，然而其实我并不在乎，也不看好人工智能。现在我简单的讲一下我的看法。
谁会成为AI 和大数据时代的第一开发语言？这本已是一个不需要争论的问题。如果说三年前，Matlab、Scala、R、Java 和 Python还各有机会，局面尚且不清楚，那么三年之后，趋势已经非常明确了，特别是前两天 Facebook 开源了 PyTorch 之后，Python 作为 AI 时代头牌语言的位置基本确立，未来的悬念仅仅是谁能坐稳第二把交椅。
深度学习未必就是未来的一定主流，至少一些大牛是这么认为的。传统的机器学习有如下特点，知识系统化，有相对经典的书。其中统计学习(代表SVM)与集成学习(代表adaboost)是在实践中使用非常多的技术。
随着人工智能（AI）技术对各行各业有越来越深入的影响，我们也更多地在新闻或报告中听到“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇，对于非专业人士来说略为玄幻。这篇文章为读者梳理了包括这些在内的 12 个关键词，希望帮助读者更清晰地理解，这项人工智能技术的内涵和潜能。
过去，程序员就像是上帝，制定计算机系统运行的律法。随着机器学习的兴起，计算机正在脱离人们的控制。工程师们永远也无法确切搞清楚计算机是如何通过机器学习完成任务的。神经网络和人们的大脑一样，像个“黑箱”，难以捉摸，这些“黑箱”正在日益接管我们的数字生活。编程将变得不再重要，未来，我们将不再关注行为背后的底层代码，而是专注于行为本身，我们要学着像巴甫洛夫训练狗的条件反射一样训练计算机。
这年头，机器人程序（bot）是新的应用程序，机器人程序商店就是新的应用程序商店。结合人工智能，机器人程序变得功能日益强大，而且在学习新的本领。我在本文中将介绍如何使用IBM Watson API，用短短50行代码，编写出一个Telegram语音转换成文本的机器人程序。
这里收集的是关于人工智能(AI)的教程、书籍、视频演讲和论文。
OpenAI 希望收购 Chrome 浏览器，使其成为 "人工智能优先 "的体验
我是如何破解房东的锅炉的
Python 的新 t-strings
OpenAI 为什么要收购 Windsurf？
两年的 Rust 使用感悟
为什么没有像 BitTorrent 这样的 P2P 流媒体协议？
为什么人工智能公司的标志看起来像屁眼？
Fedora 变革的目标是实现 99% 的软件包可重复性
我认识的最好的程序员
Git 20 年，依然怪异，依然精彩
