brief InformationTechnology theory of evolution

简介: 信息技术进化论简述 无文化流氓帮帮主Ruiy Pk 清华土匪帮帮主YiC 1,按人机交互方式 命令行-->图形界面-->自然交互(语音+手控) Tips:命令行(IBM大型机,小型机+ SUN 小型机)不断发展进化到(MicroSoft)在此基础上又进化到自然交互(老乔的苹果Inn);  ...

信息技术进化论简述

无文化流氓帮帮主Ruiy Pk 清华土匪帮帮主YiC

1,按人机交互方式

命令行-->图形界面-->自然交互(语音+手控)

Tips:命令行(IBM大型机,小型机+ SUN 小型机)不断发展进化到(MicroSoft)在此基础上又进化到自然交互(老乔的苹果Inn);

  每一次进化都产生了一两家NB的互联网公司(查看IBM(SUN现以并入Oracle,但sun的大致framework还在,看Oracle的一台云计算软硬件一体机命名:sun oracle Exalogic cloud),苹果,MicroSoft市值 你就应该大致明白了)

再者大体 最贴近高手的用cmd,最贴近消费者的用图形化界面 or 自然交互.

未来人机交互主流方向,三维多点触控.

2,语言 交流的载体及方式;

人与人之间的交流(自然语言),人与计算机间的交流(程序语言 or 自然语言)

语言是用来交流沟通的

软件是数据与指令的特定序列组合

程序语言要求精准无误(指令发出,接受者可以不执行),自然语言较宽松(指令一旦发出,计算机必须执行(无论对错));

3,小区接入带宽实际下载速度;

2Mb(it)ps,4Mb(it)ps,10Mb(it)ps,20Mb(it)ps   实际的含义是兆位每秒,非兆字节每秒!

普通2Mb(bit位) ==实际接入的带宽非*MB(Byte字节)==ps(per second)

所以拿Ruiy个人接入的2Mbps算,我的实际接入下载带宽是:

2Mb = 2 * 1024k--b = 2 * 1024k--b(bit位) / 8 kB(字节) = 256kB/ps (通常理论上得到的都比这个小,因为运营商各单位间的换算单位用的是1000,而非1024)

4,应用硬盘制作商偷工减料(真TM的坑爹)

prelight knowledges:

bit(计算机中最小的存储单元),通称小b(it)位存储;

Byte 字节,通常称作大B

kByte(千字节)

M,T,PB(换算单位通常为1024 or 1000)

500G硬盘,要是厂家按1000kByte来制作,实际硬盘大小

按1024kByte 硬盘大小 500G = 500 * 1024M = 500 * 1024 * 1024 kByte =500 * 1024 * 1024 * 1024Byte (最终500G硬盘以1024换算到bytes字节的话是这么大)

要是厂家在生产硬盘的时候以1000计算

10进制逢10进1,借1当10;

不论什么进制(二,八,十,十六)换算成十进制

进制每位上的数 * 进制的次方(位数所在位置减去1)累加和;

 

目录
相关文章
|
6月前
|
Dart
B - MaratonIME challenges USPGameDev
B - MaratonIME challenges USPGameDev
|
Python
【读书笔记】Algorithms for Decision Making(2)
理性决策需要对不确定性和目标进行推理。不确定性源于预测未来事件能力的实际及理论限制。为了实现其目标,一个强有力的决策系统必须考虑到当前世界状况和未来事件中的各种不确定性来源。
117 0
【读书笔记】Algorithms for Decision Making(2)
|
机器学习/深度学习 API
【读书笔记】Algorithms for Decision Making(8)
解决存在模型不确定性的此类问题是强化学习领域的主题,这是这部分的重点。解决模型不确定性的几个挑战:首先,智能体必须仔细平衡环境探索和利用通过经验获得的知识。第二,在做出重要决策后很长时间内,可能会收到奖励,因此必须将以后奖励的学分分配给以前的决策。第三,智能体必须从有限的经验中进行概括。
205 0
【读书笔记】Algorithms for Decision Making(8)
|
算法 决策智能
【读书笔记】Algorithms for Decision Making(14)
本部分将简单游戏扩展到具有多个状态的连续上下文。马尔可夫博弈可以看作是多个具有自己奖励函数的智能体的马尔可夫决策过程。
361 0
【读书笔记】Algorithms for Decision Making(14)
|
机器学习/深度学习 算法 vr&ar
【读书笔记】Algorithms for Decision Making(9)
与基于模型的方法相比,无模型方法不需要构建转移函数和奖励函数的显性表示,而是直接作用于值函数建模。进一步地,考虑模拟学习来重建奖励函数。
【读书笔记】Algorithms for Decision Making(9)
|
机器学习/深度学习 算法 流计算
【读书笔记】Algorithms for Decision Making(6)
对于较大状态空间的问题,计算精确解需要极大的内存量,因而考虑近似解的方法。常使用approximate dynamic programming的方法去寻求近似解,进而使用在线方法实现实时计算。
158 0
【读书笔记】Algorithms for Decision Making(6)
|
机器学习/深度学习 人工智能 算法
【读书笔记】Algorithms for Decision Making(1)
我自己的粗浅看法:机器学习要不是拟合逼近(经常提及的machine learning),要不就是决策过程(reinforcement learning),这本书主要讲述后者的前世今生。
325 0
【读书笔记】Algorithms for Decision Making(1)
|
算法 关系型数据库 数据建模
【读书笔记】Algorithms for Decision Making(4)
本部分讨论从数据学习或拟合模型参数的问题,进一步讨论了从数据中学习模型结构的方法,最后对决策理论进行了简单的概述。
【读书笔记】Algorithms for Decision Making(4)
|
机器学习/深度学习 算法 数据挖掘
Re17:读论文 Challenges for Information Extraction from Dialogue in Criminal Law
Re17:读论文 Challenges for Information Extraction from Dialogue in Criminal Law
Re17:读论文 Challenges for Information Extraction from Dialogue in Criminal Law
|
机器学习/深度学习
【读书笔记】Algorithms for Decision Making(7)
策略搜索即搜索策略空间,而无需直接计算值函数。策略空间的维数通常低于状态空间,并且通常可以更有效地搜索。本部分首先讨论在初始状态分布下估计策略价值的方法。然后讨论不使用策略梯度估计的搜索方法和策略梯度方法。接着介绍Actor-Critic方法用值函数的估计来指导优化。