人工智能系统里的不确定性量化

严重影响，但我们可以量度物体的侧向并将其纳入检验，以减小重力运动速度计算出来当中激发的局限性。

反之亦然性和本质局限性所谓学键

反之亦然局限性和本质局限性也可以在单个词语当中同时再继续次发生——例如，当检验数据类型显示反之亦然局限性并且这些检验数据类型被匹配计算出来机程序演示时。如果常用局限性推论，则运常用替代建模，例如克雷方法或者实数虚空揭开(Polynomial Chaos Expansion)，都是计算出来机程序检验当中告诉的，这样的替都是现成本质局限性，它发挥作用检验数据类型的反之亦然局限性，或与之所谓学键。这种局限性不能再继续单独归类为反之亦然性或本质性，而是一种非常普遍的侦探小说局限性。在理论上系统设计当中，这两种局限性都存有。局限性推论借此分别明确说明这两种各种类型的局限性。

反之亦然局限性的推论也许相比较简单，其当中也就是说上(频密)中参数是最也就是说的型式。例如加德纳也就是说功能等常常被运常用的电子技术。为了基准本质局限性，无需奋斗认知对于系统对、方法或机制系统性科学知识的忽视。本质局限性往往是通过启发式中参数的视角来认知的，因为中参数被推论为宣称道德的人对某一特定主张的相符以往。

建模与资料局限性

建模局限性有数由建模毛病引发的局限性，这些毛病也许是由于培训方法当中运常用了不必要的建模构造所致使的有误，或者是由于也许比对或培训资料集遮盖部将差而致使的科学知识忽视。除此以外，资料局限性与这样一举例自资料的局限性有关。资料局限性是由在资料比对当中说明现实并说明原产时的数据清空引发的。建模局限性有数由建模毛病引发的局限性，这些毛病也许是由于培训方法当中的有误、建模构造忽视，或由于也许比对或培训资料集遮盖部将差而致使的科学知识忽视。除此以外，资料局限性与这样一举例自资料的局限性有关。资料局限性是由在资料比对当中说明现实和说明原产时的数据清空引发的。

例如，在重生特殊任务当中，匹配和能够量度当中的噪声才会致使因特网难以总才会纠正的资料局限性。在归入特殊任务当中，如果比对参数得注意的数据忽视以100%相符地识别一个大类，则才会致使得成推论资料的局限性。数据清空是量度系统对的结果，例如，因为运常用某种就其看清部将的示意影像影像来说明现实的数据所致使，或通过标记方法当中的有误所致使。

虽然也就是说功能论上可以通过小型所谓体系构造、修习方法或培训资料集来减小建模的局限性，但难以推论资料的局限性。

得成推论局限性

根据匹配资料亦然，得成推论局限性也可总称三大类：

邻局限性：说明与从假定之比培训资料原产的资料原产当中提取的匹配系统性的局限性。邻局限性源自广度资料数据分析由于忽视邻科学知识而难以推论邻比对。从三维者的角度来看，邻的局限性是由设计有误(建模局限性)和在此之前所弊端的简单性(资料局限性)引发的。根据邻局限性的举例，可以通过提颇高培训资料(集)或培训方法的精确度来减小局限性。 亦然转回局限性：说明与从培训原产的转回版本当中提取的匹配系统性的局限性。这种原产波动是由于培训资料的遮盖部将忽视以及本质情况下固有的可变性造转成的。由于DNN难以在培训时推论基于比对的亦然转回比对，亦然转回则才会上升局限性。可以对一些致使亦然转回局限性的有误进行时三维，从而可以减小相其所的有误。 亦然均局限性：说明与来自也许资料叔父空间的匹配系统性的局限性。也许资料的原产与培训原产稍稍差别种。例如，当亦然转回局限性阐述诸如一只猫的单纯示意影像等现象时，亦然均局限性就是修习家猫和一只猫归入的因特网被建议得成推论鸟的情况下。亦然均局限性的举例是广度资料数据分析(DNN)由于忽视亦然均科学知识而难以推论亦然均比对。从三维者的角度来看，亦然均局限性是由匹配比对引发的，其当中因特网不当初对培训资料进行时得成推论或者培训资料忽视。 示意图1：局限性各种类型

局限性与可变性

电子技术专家常常被建议估算不相符量的“适用范围”。不可或缺性的是，他们要分辨是被建议有数可变性适用范围还是局限性适用范围。同样，对于三维者来说，探究他们是否是即将构建可变性或局限性的建模以及它们二者之间的关系(如果有的话)也很不可或缺性。

局限性的举例 数据类型局限性：它来自于匹配到数学建模当中的建模数据类型，但其无论如何地参数对检验职员来说是也许的，在电学检验当中难以控制或者其参数难以通过统计也就是说功能无论如何地推断。例如，落物检验当中的暂时性公民权利落体运动速度计算出来当中就参数得注意了数据类型局限性。 数据类型可变性：它来自建模匹配数据类型的可变性。例如，资料当中的大小也许与推论的大小不显然完全相同，这将致使在欧拉资料集上培训的建模的机动性再继续次发生波动。 构造局限性：俗称建模忽视、建模也就是说或建模差别种，它源自对弊端的也就是说电学或原理忽视探究。唯择到建模却是似乎接据统计本质，这各有不同数学建模在本质生活当中阐述主观系统对的无论如何地以往。例如，运常用公民权利落体建模对带走物体的方法进行时三维时，建模本身是不无论如何地的，因为似乎存有氧气摩擦。在这种完全，即使建模当中很难也许数据类型，建模和主观电学二者之间即便如此存有差别种。当我们对建模输成不相符时，就才会成现构造局限性，因为我们对建模的功能型式尚不相符。 拟合局限性：俗称计算出来局限性，或时域局限性。这种各种类型来自每个计算出来机程序建模构建的计算出来参数和计算出来类似于参数。大多数建模实在太简单，难以无论如何地求解。例如，可以运常用有限元法或有限差分法来类似于解偏泛函(这才会过渡到计算出来参数)。 检验局限性：俗称精确测量参数。它来自于检验量度的可变性。检验局限性是不可避免的，可以通过对所有匹配/数据类型运常用显然完全相同的特设进行时重复量度来发现此种局限性。 拟合局限性：这是因为忽视从建模演示和/或检验量度当中搜罗的可用资料。对于很难演示资料或检验量度的其他匹配特设时，才才会进行时拟合或均推，以便得成推论相其所的鼓动资料。 弊端各种类型

局限性推论当中曾两类主要弊端：一种是局限性的诱导散播(局限性的各种举例通过建模散播，以得成推论系统对鼓动当中的整体局限性)，另一种是建模局限性和数据类型局限性的种系统基准(运常用试验中资料同时测量仪器建模数据类型)。

局限性的诱导散播

局限性散播是对局限性匹配散播的系统对输成当中的局限性进行时推论。它着重于局限性举例当中列成的数据类型可变性对输成的严重影响。局限性散播数据分析的能够可以是：

基准输成的偏高阶矩，即中参数和更促使参数 基准输成的理论上部将性 基准输成的完整中参数原产

建模局限性和数据类型局限性的种系统基准

假如早已获得了系统对的一些检验量度资料及其数学建模的一些计算出来机程序演示结果，种系统局限性推论既预估检验和数学建模二者之间的差别种(称作也就是说校准)，也预估建模当中存有的也许数据类型参数(称作数据类型测量仪器或简单测量仪器)。；也，这是一个比诱导局限性散播不方便得多的弊端，但因为它往往在建模新版本方法当中构建所以十分不可或缺性。

种系统局限性推论有几种情况下：

仅也就是说非常新：也就是说非常新推论了建模的忽视，即检验和数学建模二者之间的差别种。 仅数据类型测量仪器：数据类型测量仪器才会预估数学建模当中一个或多个也许数据类型的参数。 也就是说非常新和数据类型测量仪器：唯择有着一个或多个也许数据类型的不无论如何地建模，其建模新版本公式将两者结合在一起：这是最年初的建模新版本公式，有数所有也许的局限性举例，无需尽最大奋斗彻底解决。 示意图2：局限性推论当中的弊端各种类型

数学说明

正如我们前所面所说明的(示意图1)，得成推论局限性由两之外组转成：本质局限性和反之亦然局限性，可以像后面这样写这两之外的总和：

本质局限性可以说明为建模数据类型的中参数原产。

便：

说明参数得注意下述匹配的培训资料集：

与它们的相其所归入：

其当中：C说明归入的比例。目的是小型所谓生转成更促使的输成结果的下述formula_的ω数据类型：

为了构建这一点，运常用启发式也就是说功能并不一定了一个建模似然formula_：

对于归入，可运常用后面的softmax似然formula_：

表达式1

对于重生，可以推论克雷似然：

表达式2

上式当中，τ说明建模精度。而后验原产：

针对一个等价的资料集(在ω上的培训)：

通过系统设计Bayes定理，可以写成如下型式：

表达式3

对于等价的比对x*，关于p(ω|x,y)的归入表单可以得成推论为：

表达式4

这个方法被称作侦探小说或边缘所谓。然而：

不能用解析也就是说功能计算出来，但可以用变分数据类型来类似于：

其目的是类似于一个原产，该原产接据统计由该建模赢得的后验原产。因此，关于精度τ的Kullback-Leibler(KL)散度无需成比例。这两种原产二者之间的相像以往可以通过下述型式量所谓：

表达式5

得成推论原产可以通过成比例KL散度来类似于，如下所示：

表达式6

其当中：

都是能够宣称。KL散度成比例也可以表示同意为迹象生灵(ELBO)均衡：

表达式7

其当中：

通过均衡第一项，必需很好地阐述资料，通过成比例第二项，必需尽也许接据统计前所一项。这个方法被称作变分侦探小说(VI)。Dropout变分侦探小说是最常用也就是说功能之一，已在简单建模当中广为常用类似于侦探小说。成比例能够如下：

表达式

8其当中N和P分别都是比对数和掉中参数。要赢得与资料系统性的局限性，上面表达式2当中的精度τ可说明为资料的formula_。赢得本质局限性的一种也就是说功能是混合两种formula_。其当中，

得成推论千分之参数formula_是fθ(x)，建模精度formula_是gθ(x)。

这样的话，似然formula_可以写：

将真参数原产放有建模的举例来说高台，然后计算出来等价资料比对的举例来说波动量。欧几里德一段距离损失formula_可以更改如下：

表达式9

得成推论更促使参数可通过下述型式赢得：

表达式10

可唯也就是说功能

人们早已做了很多数据分析来彻底解决局限性推论弊端，尽管其当中大多数是处理过程局限性散播的弊端。在过去的一到二十年当中，人们还开发了许多种系统局限性推论的也就是说功能，并已证明对大多数当中小型弊端简单。

示意图3：局限性推论的唯取性也就是说功能

诱导散播

基于演示的也就是说功能：加德纳演示、不可或缺性性样本、自适其所样本等。 基于代理人的共通也就是说功能：在非外科手术也就是说功能当中，可以运常用一种修习代理人建模来构建廉价且快速速的类似于只用检验或演示之目的。基于代理人的也就是说功能也可以以显然启发式的型式来运常用。当采样转成本(例如计算出来转成本颇高昂的演示)过颇高时，这种也就是说功能才会特别理论上。 基于暂时性揭开的也就是说功能：泰勒乘积、摄动法等。这些也就是说功能在处理过程相比较较小的匹配数据类型和不表现相比较于非线性的输成时有着竞争者。这些线性或线性所谓也就是说功能在局限性散播有关篇文章当中曾详尽介绍。 基于formula_揭开的也就是说功能：Neumann揭开、正交或Karhunen–Loeve揭开(KLE)，以及作为举例的实数虚空揭开(PCE)和DFT揭开。 基于最也许点(MPP)的也就是说功能：一阶理论上部将性也就是说功能(FORM)和解是理论上部将性也就是说功能(SORM)。 基于数学方法的也就是说功能：全表征数学方法(FFNI)和降维(DR)。

对于非中参数也就是说功能，上行数据分析、单纯也就是说功能论、也许性也就是说功能论和迹象也就是说功能论是系统设计最广为的也就是说功能之一。

中参数也就是说功能被看做是工程设计当中最恰当的局限性数据分析也就是说功能，因为它与协调数据分析也就是说功能论一致。它的坚实是计算出来样本统计的中参数密度formula_。对于可以通过克雷数据类型变换赢得的随机数据类型，这点可以恰当执行从而得到无论如何地的正态分布。

种系统局限性

1.频部将学拥护：数据类型预估的标准参数很较易赢得，可以扩展为正态分布。

2.启发式学拥护：启发式开放性下存有几种种系统局限性推论也就是说功能。最简单的朝向是彻底解决也就是说校准和数据类型测量仪器的弊端。这些弊端的单打独斗不仅有数建模忽视和数据类型局限性的严重影响，有数忽视来自计算出来机程序演示和检验的资料。一种常用的情况下是，在检验和演示当中匹配状况有所不同。另一种常用情况下是，从检验当中算成的数据类型被匹配到演示当中。对于计算出来转成本较颇高的演示，往往无需一个替代建模，例如克雷方法或实数虚空揭开，从而并不一定一个种系统弊端，以便找到最接据统计演示的替代建模。

3.可选所谓也就是说功能：种系统局限性推论的也就是说功能是可选所谓启发式也就是说功能。可选所谓启发式也就是说功能的名字举例自其当中的四个可选的方法。除了近期可用的资料均，还其所指定也许数据类型的真参数原产。

针对建模的克雷方法三维：为了彻底解决忽视仿真结果的弊端，将计算出来机程序建模附加为克雷方法(GP)建模 针对差别种formula_的克雷方法三维：类似地，对于第一个可选，用GP建模附加异种formula_ 也许数据类型的后验原产：启发式定理常用计算出来也许数据类型的后验原产 检验反其所和差别种formula_的得成推论

4. 显然也就是说功能：显然启发式也就是说功能不仅要相其所也许数据类型的真参数，还要相其所其他超数据类型的真参数。

示意图4：运常用启发式电子技术的局限性推论

神经因特网当中的局限性推论

示意图5：神经因特网当中局限性推论的归入基准归入

归入特殊任务当中的量度资料局限性：等价得成推论，中参数内积说明归入原产，即它为每个大类相其所一个中参数，使其转成为无论如何的得成推论。由于得成推论不是作为一个显式大类而是作为一个中参数原产给成的，因此可以这样一来从得成推论当中算成局限性预估。；也，这种逐点得成推论可以被看做预估资料的局限性。然而，建模对资料局限性的预估受到建模局限性的严重影响，才才会单独唯择。为了基准得成推论资料局限性的比例，可以系统设计最大归入中参数或熵内积。最大中参数说明相符性的这样一来说明，而熵说明随机数据类型当中的千分之数据水平。尽管如此，我们难以从一个实体的得成推论当中看清成严重影响这一特定得成推论的建模局限性有多大。 归入特殊任务当中的量度建模局限性：修习建模数据类型的类似于后验原产更促使赢得胜于的局限性预估。有了这种后验原产，就有也许基准随机数据类型的波动，即局限性。最常用的量度也就是说功能是互数据(MI)、预估Kullback-Leibler散度(EKL)和得成推论更促使参数。也就是说上，所有这些内积都是计算出来随机输成和预估输成二者之间的预估差别种。当有关建模数据类型的科学知识不必上升事与愿违得成推论当中的数据时，MI最小。因此，MI可以推论为建模局限性的内积。Kullback-Leibler散度内积两个等价中参数原产二者之间的散度。EKL可常用量度也许输成二者之间的(预估)差别种，也可推论为对建模输成局限性的量度，因此都是建模局限性。即使对于数据分析阐述的原产来说，数据类型局限性在得成推论当中的散播却是在所有完全也都是难以彻底解决的;因此，才才会用加德纳类似于来类似于。 示意图6：建模的数据数据分析和归入建模的原产局限性

量度归入特殊任务当中的原产局限性：虽然这些局限性内积被广为常用捕猎来自启发式资料数据分析的多个得成推论二者之间的可变性，但集转成也就是说功能难以捕猎匹配资料或原产均比对当中的原产波动，这则才会致使侦探小说方法存有一定偏见并激发事实的置信结果。如果所有得成推论表征都将颇高中参数精确度归因于同一(有误)大类表单，这将致使预估参数二者之间的偏高可变性。因此，系统对似乎对其得成推论是相符的，而得成推论本身的局限性也在后面进行时基准。 示意图7：建模的数据数据分析和归入建模的原产局限性

完整资料集上的机动性内积：上述内积用来基准单个得成推论的机动性，其他内积则常用基准这些内积在一组比对上的运常用情况下。局限性内积可常用分辨无论如何归入和有误归入的比对，或邻比对和原产均比对。为此，比对总称两组，例如邻和原产均，或无论如何归入和有误归入。两种最常用的是VHF转换特性双曲线(Receiver Operating Characteristic，简称“ROC”)和无论如何地部将-调离部将双曲线(Precision-Recall，简称“PR”)。这两种也就是说功能都基于基石内积的有所不同阈参数生转成双曲线。虽然ROC和PR双曲线都给成了一个直觉的本质，说明了也就是说内积在多大以往上适合于分离两个唯择过的程序代码，但它们并很难给成一个定性内积。为了达到这一点，可以基准双曲线下的总面积(AUC)。概要来看，AUC给成了一个中参数参数，即随机唯取的感染性比对比随机唯取的复数比对致使非常颇高的量度参数。

基准重生

重生得成推论当中的量度资料局限性：与归入特殊任务相比，重生特殊任务只得成推论逐点预估，很难任何资料局限性的或许。处理过程这一弊端的常用也就是说功能是，让因特网得成推论中参数原产的数据类型，例如，千分之内积和随机数据类型局限性的标准也就是说，这样就这样一来给成了资料局限性的内积。标准也就是说的得成推论允许(也许)主观参数在特定地带内的数据分析阐述。以一定中参数遮盖真参数的上行(推论得成推论原产是无论如何的)是分偶数formula_，即产出中参数formula_的紧接著。对于等价的中参数参数，分偶数formula_给成了一个边界。分偶数推论某种中参数原产，并将等价的得成推论推论为原产的预估参数。

除此以外，其他也就是说功能则是这样一来得成推论所谓的得成推论上行(PI)，其当中推论存有得成推论。这样的上行才会致使局限性以均匀原产的型式成现，而不必给成就其的得成推论。顾名思义，这种也就是说功能的相符性可以通过得成推论上行的大小不一这样一来量所谓。千分之得成推论上行宽度(MPIW)可常用基准建模的千分之相符性。为了基准得成推论间隔的无论如何性，可以系统设计得成推论间隔遮盖中参数(PICP)。PCIP都是夺回得成推论上行的试验中得成推论的百分比。

重生得成推论当中量度建模局限性：建模局限性主要由建模的构造、培训方法和培训资料当中传奇色彩忽视的地带引发。因此，重生和归入特殊任务二者之间的建模局限性的原因和严重影响很难真正的差别种;反之亦然，重生特殊任务当中的建模局限性可以像归入特殊任务当中早已阐述的那样进行时等效量度，例如在大多数完全，通过类似于千分之得成推论和量度单个得成推论二者之间的差别种来进行时。 示意图8：建模的数据数据分析和重生建模的原产局限性

示意图9：建模的数据数据分析和重生建模的原产局限性

基准重叠特殊任务当中的局限性：基准重叠特殊任务当中的局限性与基准归入弊端十分相像。重叠特殊任务当中的局限性运常用启发式侦探小说的类似于也就是说功能预估。在重叠语义当中，影像级重叠当中的局限性运常用正态分布、得成推论更促使参数、得成推论熵或互数据(MI)来量度。构造预估当中的局限性是通过对所有影像局限性预估进行时千分之得到的。体积局限性的精确度通过基准变异种系数、千分之Dice分数或联合上的交点来基准。这些基准以转成对的型式量度多个预估参数二者之间在总面积重叠之外的一致性。理想完全，有误重叠才会致使影像和构造局限性上升。为了测试是否是存有这种情况下，其所基准影像级的真感染性部将，以及有所不同不相符度阈参数下保持一致影像的假测试部将和ROC双曲线。 测量仪器

如果公式成的得成推论置信度都是了理论上无论如何性中参数的很差类似于参数，则称得成推论参数为测量仪器很差。因此，为了运常用不相符内积所谓也就是说功能，才才会确保系统对经过很差测量仪器。对于重生特殊任务，可以并不一定测量仪器，得成推论的正态分布其所与根据资料集方面计算出来的正态分布一个有。

往往，测量仪器参数是由与建模局限性系统性的因素引发的。这一点从直觉上很较易认知，因为资料局限性都是了潜在的局限性，即匹配x和能够y都是完全相同的现实数据。接下来，无论如何得成推论的资料局限性将致使一个完美测量仪器的系统对。这一点很吻合，因为这些也就是说功能分别推论了建模和资料的局限性，借此减小得成推论当中的建模局限性。除了通过减少建模局限性来小型所谓测量仪器的也就是说功能均，大量且不断增长的古文献还数据分析了显式减少测量仪器参数的也就是说功能。下节将介绍这些也就是说功能以及推论测量仪器参数的措施。无需注意的是，这些也就是说功能不必减小建模的局限性，而是将建模的局限性散播到资料局限性的说明上。

例如，如果二元归入器被过度拟合，并以中参数1将试验中集的所有比对得成推论为A大类，而一半的试验中比对理论上上是B大类，则再测量仪器也就是说功能则才会将因特网输成映射到0.5，以赢得理论上部将的置信度。0.5的中参数不之比资料局限性，但说明散播到得成推论资料局限性上的建模局限性。

测量仪器也就是说功能

根据系统设计方法，测量仪器也就是说功能可总称三大类：

在培训阶段系统设计的标准也就是说功能：这些也就是说功能改动能够、小型所谓和/或标准方法，以构建内在测量仪器的系统对和因特网。 在建模的培训方法之后系统设计的处理过程过程也就是说功能：这些也就是说功能无需一个保持一致的测量仪器资料集来更改得成推论分数以进行时再测量仪器。无需注意的是，它们必需在推论遗漏测试集的原产等同于基于侦探小说的原产的完全才可以文书工作。因此，测试资料集的大小不一也才会严重影响测量仪器结果。 资料数据分析局限性预估也就是说功能：通过运常用减小资料数据分析置信度得成推论当中建模局限性的也就是说功能，也才会激发非常好的测量仪器得成推论参数。这是因为一小的得成推论资料局限性非常好地都是了得成推论的理论上局限性。例如，此类也就是说功能基于启发式也就是说功能或广度集转成(示意图4)。 现实的系统设计

NICE Actimize是伊拉克一家为地带和亚洲地区银行业私人机构以及了政府税务私人机构有数多种银行业犯罪者、风险和监管部门彻底高效率的供其所商，他们透过技术创新电子技术保护私人机构、消费者以及颇高盛的资产，必需识别银行业犯罪者、防止盗窃并保障税务监管部门。该该公司必需有数高分辨率、跨渠道的盗窃预防、反洗钱测试和交易防范彻底高效率，从而更促使彻底解决支付盗窃、因特网犯罪者、默许防范、市场竞争滥用、客户尽职调查报告和捏造交易等弊端。

基于人工智慧的系统对和颇高乘积据分析彻底高效率可以非常早非常快速地发现异种常犯罪者行为，消除从盗窃、盗窃、税务惩处到默许的财务损失。这样一来，更促使该公司或许多组织减小各种损失、提颇高调查报告职员的文书工作效部将，并改善法律监管部门和监督精确度。

随着基于人工智慧的系统对在银行业犯罪者当中的运常用剧增，推论和处理过程局限性似乎非常加不可或缺性。一之外，局限性推论在风险成比例之外发挥着不可或缺性作用，这是预防盗窃所并不无需的。另一之外，有一些有着单打独斗性的资料源为盗窃调查报告有数了可用，只是这些资料很难核实。这使得生转成可信的“底部真相”转成为一项十分有着单打独斗性的特殊任务。

Actimize该公司的共通基准开放性

为了其所对上述弊端，Activize该公司提成了一个基准协约，其当中参数得注意各种就其的基线资料集和基准基准，涵括了所有各种类型的局限性，更促使推动局限性推论数据分析。此均，他们还唯择了风险规避和若有完全的基准弊端。这种共通协约使资料医学家们必需笨拙地将有所不同各种类型的也就是说功能与既定基准与现实的资料集进行时来得。

推论

局限性推论(UQ)是基于人工智慧的系统对和协调方法的不可或缺之外之一，它在基准各种理论上系统设计当中的局限性时似乎非常加普遍。如今，局限性早已转成为也就是说上机器和广度修习也就是说功能归属于的一之外，因此本文也对也就是说上神经因特网和广度修习当中最不可或缺性的UQ本质和也就是说功能进行时了一个相比较年初的说明了。

原文介绍

朱先忠，51CTO新社区校对，51CTO专家网志、教员，济宁一所颇高校计算出来机程序教师，公民权利演算界战友一枚。早期热衷于各种Valve电子技术(编订转成ASP.NET AJX、Cocos 2d-X系统性三本电子技术示意善本)，据统计十多年投身于Debian世界(熟悉流行全栈Web开发电子技术)，探究基于OneNet/AliOS+Arduino/ESP32/树莓拥护等物联网开发电子技术与Scala+Hadoop+Spark+Flink等大资料开发电子技术。

文中标题：Uncertainty Quantification in Artificial Intelligence-based Systems，原作者：Danny Butvinik

。

北京看男科哪里最好
长春皮肤病检查
襄阳看妇科到哪个医院好
植物腊叶标本
重庆看白癜风哪里好
大千网
腰间盘突出的症状
产后塑形
婴儿肛裂
血管外科