原创 （系列筆記）10.SVM系列（3）
SVM——對偶學習算法 對偶問題 上一篇z,g分別代表一個二元函數和一個一元函數，一般情況下，我們用x代表一個函數的自變量，而這個x本身可以是多維的。而且，同一個函數可能同時既有等式約束條件，又有不等式約束條件。 主問題 考慮在d
2020-06-15 09:58:22
原创 （系列筆記）9.SVM系列（2）
文章目錄SVM——直觀理解拉格朗日乘子法可視化函數及其約束條件（被約束的）函數（函數的）約束條件約束條件對函數的約束拉格朗日乘子法目標函數等式約束條件拉格朗日乘子和拉格朗日函數不等式約束條件KKT約束條件目標函數轉化爲拉格朗日函數
2020-06-15 09:58:22
原创 （系列筆記）12.SVM系列（5）
SVM——非線性SVM和核函數 非線性分類問題 分類問題最理想的狀態是樣本空間中都是線性可分的，我們可以清晰無誤地把它們分隔成不同的類別，即線性可分SVM；如果實在不行，有少數樣本不能被正確劃分，但大多數是線性可分的，這就是線性S
2020-06-15 09:58:22
2
原创 （系列筆記）16.HMM系列（2）
文章目錄HMM——三個基本問題HMM的三個基本問題概率計算問題預測問題學習問題舉例子背景問題分析求解三個基本問題的現實意義 HMM——三個基本問題 和之前幾個模型對比，HMM比較奇怪，其他模型都是直接把特徵對應成一個結果，當然，
2020-06-15 09:58:22
原创 一個總是令人記不住的vectorvector
vector<vector<Point>>： vector容器裏面放了一個vector容器，子容器裏放點 來自：https://blog.csdn.net/Ahuuua/article/details/80593388
2020-06-15 09:58:22
原创 （系列筆記）7.決策樹（下）
決策樹——告訴你Hello Kitty是人是貓（案例） 1、背景 2014年8月，研究 Hello Kitty 多年的人類學家 Christine R. Yano 在寫展品解說時，卻被 Hello Kitty 持有商三麗鷗糾正：H
2020-06-15 09:58:22
原创 （系列筆記）6.決策樹（上）
決策樹——既能分類又能迴歸的模型 1、決策樹 決策樹上一中非常基礎又常見的機器學習模型。一顆決策樹（Decision Tree） 是一個樹結構（可以是二叉樹或非二叉樹），每個非葉節點對應一個特徵，該節點的每個分支代表這個特徵的一個
2020-06-15 09:58:12
原创 （系列筆記）25.GMM算法（下）
文章目錄GMM——用 EM 算法求解 GMM高斯分佈高斯分佈密度函數常見的分佈中心極限定理高斯分佈的重要性質經典中心極限定理一個例子另一個例子近似爲高斯分佈高斯混合模型（GMM）高斯分佈的混合GMM的對數似然函數用 EM 算法學習
2020-06-15 09:58:12
原创 （系列筆記）11.SVM系列（4）
SVM——線性SVM，間隔由硬到軟 從線性可分SVM到線性SVM 從現實情況引出線性SVM 前面幾章講的是線性可分 SVM，這種 SVM 學習的訓練數據本身就是線性可分的——可以很清晰地在特徵向量空間裏分成正集和負集。 線性可分
2020-06-15 09:58:12
原创 （系列筆記）17.HMM系列（3）
文章目錄HMM——三個基本問題的計算1、概率計算問題直接計算前向-後向算法前向算法後向算法2、預測算法直接求解維特比算法3、學習算法有監督學習無監督學習4、HMM實例result HMM——三個基本問題的計算 1、概率計算問題 我
2020-06-15 09:58:12
原创 （系列筆記）8.SVM系列（1）
SVM——線性可分 SVM 原理 線性可分和超平面 二分類問題 二分類問題就是：給定的各個樣本數據分別屬於兩個類質疑，而目標是確定新數據點將歸屬到哪個類中。 在機器學習的應用中，至少現階段，分類是一個非常常見的需求，特別是二分類，
2020-06-15 09:58:12
原创 （系列筆記）24.GMM算法（上）
文章目錄GMM——將“混”在一起的樣本各歸其源個體 vs 集體已知每個簇的原始分佈直觀分佈形式化分佈已知分佈條件下的樣本歸屬學習概率密度函數參數學習目標同分布的混合模型 GMM——將“混”在一起的樣本各歸其源 個體 vs 集體 前
2020-06-15 09:58:12
原创 FASA：Fast, Accurate, Size-aware Salient Object Detection 論文閱讀
文章目錄FASA: Fast, Accurate, Size-aware Salient Object Detection 論文閱讀Abstract1.Introduction2.Related Work3.Our Method3
2020-06-15 09:58:12
原创 （系列筆記）29.深度學習（下）
深度學習的願景、問題、應用和資料 系列筆記因個人原因部分未完成，近期會盡快完成，將整體呈現出來的。 深度學習的願景 和機器學習相比，深度學習的好處非常明顯，或者說“看起來”非常明顯——用上深度學習，就不需要特徵工程和調參啦！
2020-06-15 09:58:12
原创 labelme產生的json文件批量轉化label.png
labelme產生的json文件批量轉化label.png 參考1 參考2 話不多說，代碼說明 1、將labelme虛擬環境中的json_to_dataset.py文件內容先替換如下，使用時labelme_json_to_data
2019-07-30 04:26:18
16