印度的贡献全文？
1)纽扣:公元前2000年，纽扣首次在印度河流域使用。最初发明它是为了观赏而不是固定。
2)象棋:6世纪印度笈多帝国发明的一种古代策略游戏。
3)尺子:公元前1500年，印度河流域发明了第一把尺子。它由象牙制成，精确度惊人。
4)洗发水:最初是莫卧儿帝国国民的头部按摩油。这些年来，它演变成了洗发水。
5)棉花种植:古希腊人过去穿兽皮，不戴帽子。;我甚至不知道棉花。但当印度人感到寒冷时，他们开始在印度河流域种植棉花，很快就被世界各地的人们订购。
6)扑克游戏:扑克起源于印度的一种流行游戏，叫做Kridapatram(字面意思是"画衣服玩").
7)白内障手术:印度医生苏什鲁塔(公元前6世纪)进行了白内障手术。后来它被传播到和希腊。希腊科学家甚至去印度学习基本操作。
8)钻石开采:印度是全世界钻石的唯一来源，直到18世纪的巴西。
又找到钻石了。5000年前，钻石首先在印度中部被发现和开采。
9)月球上的水:ISRO和；;美国的探月计划获得了圆满成功，人们发现月球上不仅有干燥的岩石，还有水。
10)无线通信:1895年，贾格迪什·钱德拉·博斯爵士在印度首次公开演示了通信无线电波。
11)厕所:印度河流域文明第一次使用厕所。大多数家庭都有厕所，并连接到一个复杂的污水处理器。
12)二进制代码:公元前200年，二进制数字首次描述了Pingala，这是已知的最早的梵文韵脚。
13)墨水:从公元前4世纪开始，在印度南部用尖针书写墨水已经很普遍了。
14)钢铁和金属工程:古印度人是冶金工业的先驱，能够生产高质量的钢材。2000年以后欧美才掌握了炼钢技术。
15)整形手术:
如何制作chm格式的象棋电子书？
用东平xqf到UBB工具或者棋友软件或者棋友生成一个网页文件，然后用easychm软件做一个电子书。如果需要转换代码，可以使用sup
机器学习、数据科学、人工智能、深度学习和统计学之间的区别是什么？
1.数据科学
简单定义为:数据科学是从数据中提取有用知识的一系列技能和技术。
这些技能通常由德鲁·康威创建的文氏图(或其变体)来表示:
三个圆圈代表三个不同的领域:编程领域(语言知识、语言库、设计模式、架构等。);数学(代数、微积分等。)和统计；数据域(特定项圈领域知识:医疗、金融、工业等。).
这些领域共同构成了定义中的技能和技术。它们包括数据获取、数据清洗、数据分析、假设创建、算法、机器学习、优化、结果可视化等等。
数据科学汇集了这些领域和技能，以支持和改进从原始数据中提取见解和知识的过程。
什么是"有用的知识"？能有一定价值，能回答或解决现实世界问题的，是知识。
数据科学也可以定义为:研究和应用数据处理和分析的进展，为我们提供解决方案和答案。
2.人工智能
机器会思考吗？
1950年，艾伦·图灵提出了这个问题，他甚至发明了一个著名的测试来评估机器给出的答案是否与人类给出的答案相似。从此，人工智能的幻想开始了，重点是模仿人类的行为。
你做过那个测试了吗？
人工智能不是《银翼》的克隆人或《太空堡垒卡拉狄加》的赛昂人。我们可以把人工智能定义为任何具有某种智能行为的机器或软件。
什么是智能行为？
好问题！这就是分歧所在。随着机器新功能的不断发展，以前被认为是智能的任务也被从人工智能环境中剥离出来。
我们可以将人工智能定义为能够正确解释来自其环境的数据，从中学习，并在不断变化的环境中使用获得的知识执行特定任务的机器或软件。
比如能自己停下来的车就不是智能车；它只是按照套路测量距离和运动。我们认为能自动驾驶的汽车是智能的，因为它能根据周围的事件(在完全不确定的环境中)做出决策。
人工智能领域包括几个分支，目前正处于鼎盛时期。想象一下，你就会确切地知道我们在谈论什么:
3.机器学习
机器学习是人工智能最重要的分支。它的任务是:研发技术，让机器在没有人类明确指令的情况下，能够自我学习，从而执行特定的任务。
机器将从输入数据集(称为样本或训练数据)中学习，并根据算法检测到的模式建立数学模型。该模型的最终目标是对来自同一数据源的数据做出(准确的)预测或决策。
有两种类型的传统机器学习:
监督学习:当训练数据是"标记"。这意味着，对于每个样本，我们都有对应于观察变量(输入)和变量(输出、目标或因变量)的值，我们希望学习预测或分类。在这种类型中，我们发现回归算法(用于预测数值的算法)和分类算法(当输出限于某些分类值时)。
无监督学习:当训练数据没有标记时(我们没有目标变量)。这里的目标是找到某种结构或模式，比如训练样本。对行进行分组，以便我们可以对未来的样本进行分类。
传统的机器学习已经让位于更复杂或更现代的学习类型:
集成法:基本上是几种算法一起使用，把它们的结果组合起来，得到更好的结果。虽然XGBoost是以其在Kaggl《星际争霸2》，实力碾压人类)。
深度学习:皇冠上的宝石…
4.深度学习
深度学习是机器学习的一个子领域。
它是基于人工神经网络的应用。人工神经网络是一种具有层次结构的计算模型，由相互连接的节点共同工作而形成。这个名字的灵感来自(或试图模仿)大脑的生物神经网络。
虽然神经网络已经被研究和使用了很多年，但是这方面的进展一直比较缓慢；主要是计算能力不足。虽然近年来深度学习发展蓬勃，部分原因是由于CPU在神经网络训练中的使用，但它才刚刚起步十年。
一般认为，任何机器学习问题，不管多复杂，只要把它做得足够大，都可以用神经网络来解决。如今，深度学习的发展带动了人工智能其他领域的发展；无论是更传统的领域(改进已获得的结果)还是最热门的领域:自然语言处理、人工视觉、语音识别、生成逼真的多媒体内容等。
留言点赞。
我们一起分享AI学习和开发的干货。
欢迎关注全平台AI垂直品类自媒体"核心阅读与写作