Imputer, 已更新很久了

课程是旧版本, 我为新版本稍作说明

as a reminder for classmates, currently we use 'sklearn' rather than 'scikit-learn' in coding ;)

機器學習推薦書:

1. 機器學習 (西瓜書)

2. Python數據分析與挖掘實戰

3. 機器學習系統設計

4. 面向機器智能TensorFlow實戰

5. TensorFlow技術解析與實戰

少用加号

数据组织方式

一组数据如何保存 数据结构

抽象数据类型：确定数据组织形式，数据上的一组操作，只有相应的接口。

不会进行函数调用的步骤才叫做基本步骤。

算法时间复杂度：描述算法时间的多少

如何修改

机器学习简介

机器学习、深度学习可以做什么？

（自然语言处理、图象识别、传统预测）

机器学习库和框架

scikit learn、TensorFlow

课程定位：

以算法、案例为驱动的学习，浅显易懂的数学知识

注意：参考书比较晦涩难懂，不建议直接读

课程目标：
熟悉机器学习各类算法的原理

掌握算法的使用，能够结合场景解决实际问题

掌握使用机器学习算法库和框架

机器学习课程

特征工程；模型、策略、优化，分类、回归和聚类，TensorFlow，神经网络，图象识别，自然语言处理

步长定义

good 重点内容

秩 铺垫

要点总结

上确界：M=supE

下确界：M=infE

向量组的秩

所有等价线性无关组含有的向量个数相等

建立一个基类：

强化学习和生成式对抗网络

强化学习：机器学习分支；自行解决决策问题，并且能够强化连续决策；

组成部分：

1、代理；

2、环境；

3、行动；

4、奖励；

学习任务：

1、篇幅型；

有间断

2、永久型；

没有间断

学习方式：

value baed

写出一个value function，这个value function可以告诉我们每一步的未来rewards会有多大；

policy based

在这里我们希望最优化一个policy function而不是一个value funtion；

有两种policy可以选择：

Deterministic：相同state下，永远给出相同的action。简单来讲就是每次在同样的情况下作出一样的选择；

Stochastic：给出一个所有action的可能性的distribution，意思是选择具有随机性，在某些对抗性游戏中，随机决策是必须的；

GAN

生成模型；判别模型；

分类：

1、根据当前数据得到一个数据分布：数据回归；

2、根据当前的数据生成一个新的图片；

用途：

1、补缺数据；

2、数据是否符合生成的规律；

3、

最大似然机构：

生成对抗模型：

要求：必须是可导的：

DCGAN：反卷积，

由低维到达高维的；

风格转移：

循环机构，

使用空洞卷积代替空间金字塔

一、计算机视觉四种基本任务：

1、图像分类；

2、图像定位；

3、物体检测；

4、物体分割；

背后的机器学习任务：数据分类、数据回归；

实际上大部分任务都是两个：

数据分类：数据离散；

数据回归：数据是连续的；

二、经典方法：

Deformable parts model：

什么是NMS:一种post-processing方式；应用在所有目标检测里，用来删除多余的检测结果；

做法：把所有的检测结果按照分值从高到低排序，保留最高分数的box，那么保留和他距离上最近的box；

hard mining：在一个1mini-batch里，能让classifier混淆的sample，标记为hard example，用到下一轮的训练中；

深度学习的快速回顾：

n一般为2、4，一般2就已经非常大了；

λ为正则化参数，防止过拟合；

深度学习三要素：

1、首先关注模型：用什么结构；

2、在什么数据集上做？实验效果如何；

3、算法：

     a、训练过程：loss，sampling，梯度；

     b、测试过程：muitl-scale，NMS;

3、系列工作

RCNN\Fast-RCNN\Faster-RCNN详细介绍；

目标分类的主要步骤：

1、先产生一些可能含有物体的目标框；

2、在给定的目标框里进行分类；

如何产目标框：

自下而上的一种生成方法：基于SLIC

算法，仙剑个图像分割成很多小的区域，根据小区域之间的相似程度进行融合，最后结合各个尺度上的结果，产生很多region proposals；

也可以通过深度学习来生成目标框；（主要用于faster ——RCNN中的目标框）；

Rcnn家族

1、产生一个框：