https://github.com/weiaicunzai/awesome-image-classification
來源：
https://zhuanlan.zhihu.com/p/57006140
分類器的訓練以分爲以下三部進行： 1、 樣本的創建 2、 訓練分類器 3、 利用訓練好的分類器進行目標檢測。 對檢測物體要確定其屬性：是否爲絕對剛性的物體，也就是檢測的目標是一個固定物體，沒有變化（如特定公司的商標），這樣的物體只要提供一
實驗目的及要求 實驗源於“2019大數據挑戰賽-預選賽”。 本預選賽要求選手建立文本情感分類模型，選手用訓練好的模型對測試集中的文本情感進行預測，判斷其情感爲「Negative」或者「Positive」。所提交的結果按照指定的
轉自：http://blog.sina.com.cn/s/blog_5dd2e9270100c8ko.html bootstrps bagging boosting這幾個概念經常用到，現仔細學習了一下： 他們都屬於集成學習方法，
目標檢測方法最初由Paul Viola [Viola01]提出，並由Rainer Lienhart [Lienhart02]對這一方法進行了改善. 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特徵進行分類器訓練，得到一個級聯的boo
矢量化編程就是用矢量運算取代所有的顯式for循環。 上一節所用的是512*512*10的數據集很小，我們取的patch很小（8*8），學來的特徵很少（25），而我又註釋掉了梯度校驗（偷懶），所以程序用了1分鐘就跑完了（i5處理器）。
用較少的東西，同樣可以做好的事情。越是小的決策樹，越優於大的決策樹。 引文 數據分類是一個兩階段過程，包括學習階段（構建分類模型）和分類階段（使用模型預測給定數據的類標號）。決策樹分類算法是監督學習的一種，即Supervised
