数据集是机器学习的"粮食"，其质量直接决定模型的上限。从结构化的表格数据到非结构化的图像文本，从入门级的IRIS到科研级的ImageNet，公开数据集为算法研究和工程实践提供了标准化的测试平台。在实际应用中，合理预处理数据、科学划分数据集、灵活运用数据增强，是释放模型性能的关键。正如深度学习先驱Yoshua Bengio所说：“数据比算法更重要”——理解数据，才能让机器学习真正"学"有所成。

数学定义：IoU=∣A∩B∣∣A∪B∣=Area of OverlapArea of Union\text{IoU} = \frac{|A \cap B|}{|A \cup B|} = \frac{\text{Area of Overlap}}{\text{Area of Union}}IoU=∣A∪B∣∣A∩B∣​=Area of UnionArea of Overlap​计算复杂度：T(n)=

作用：用于模型参数训练数据占比：通常60-80%（自己一般80%训练，10%验证，10%测试）关键特性：最大的数据子集，直接影响模型权重。

设置权限： 确保 Ollama 服务有读写权限。运行 ollama list 确认模型列表加载正常。修改 Ollama 服务配置文件。创建新模型存储目录并设置权限。停止 Ollama 服务。

RNN通过前向传播计算隐藏状态和输出，通过反向传播计算梯度并更新参数。链式法则是反向传播的核心，用于计算损失函数对参数的梯度。梯度消失和梯度爆炸是RNN训练中的常见问题，可通过LSTM、GRU等改进模型缓解。

线性SVM通过寻找最优超平面，最大化类别之间的间隔，适用于线性可分的数据集。非线性SVM通过核函数将数据映射到高维空间，适用于线性不可分的数据集。软间隔SVM通过引入松弛变量，允许部分样本点位于间隔内，增强了模型的鲁棒性。SVM在分类和回归任务中表现出色，是机器学习中的重要算法之一。

浅层神经网络（Shallow Neural Network）指具有1-3个隐藏层的前馈神经网络。特征浅层网络深度网络隐藏层数1-3层通常≥5层参数规模相对较少（万级以下）百万级至百亿级参数理论表达力通用近似定理（1层即可逼近任意连续函数）通过层次组合提升特征抽象能力典型应用场景中小规模结构化数据分类/回归图像、语音、NLP等复杂模式识别输入层：784节点（28x28图像展平）隐藏层：256节点（R

线性回归用于预测连续值，通过最小化均方误差来拟合数据。逻辑回归用于分类任务，通过最小化交叉熵损失来拟合数据。两者都通过梯度下降法优化参数，是机器学习中最基础且重要的算法。

LSTM通过记忆细胞和三个门控机制，能够更好地处理长序列数据，但计算复杂度较高。GRU通过简化门控结构，在大多数任务中表现接近LSTM，同时具有更高的计算效率。选择LSTM还是GRU取决于具体任务的需求：对于长序列和复杂任务，LSTM可能更合适；对于短序列和简单任务，GRU是更高效的选择。

版本核心改进速度精度（VOC mAP）RCNN首开深度学习检测53s58.5%Fast RCNNROI Pooling + 多任务0.3s70.0%RPN网络5fps78.8%Mask RCNNROI Align + 实例分割4fps80.3%