摘要：卷积神经网络(CNN)通过卷积核、参数共享和池化操作，有效解决了传统MLP处理图像时参数量过大、空间信息丢失的问题。典型架构从LeNet到AlexNet再到VGG，网络深度不断增加：LeNet首次实现手写识别，AlexNet引入ReLU和Dropout提升性能，VGG采用重复卷积块增强特征提取。CNN能自动学习从边缘到语义的层次化特征，奠定了现代计算机视觉基础，尽管新架构不断涌现，CNN仍是

人工智能是指用人工的方法在机器（计算机）上实现的智能，或者说使机器具有类似于人的智能。作为一门技术科学，人工智能研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。从工业革命到人工智能时代，技术的发展不断推动着人类社会的进步。深度学习作为人工智能领域的重要分支，正在以前所未有的速度改变我们的生活和工作方式。随着技术的不断成熟和发展，人工智能将继续在各个领域发挥重要作用，为人类创造更

摘要：线性回归和Softmax回归是深度学习的基础模型，分别用于连续值预测和离散分类任务。线性回归通过梯度下降优化参数，预测房价等连续值；Softmax回归则通过Softmax运算将输出转化为概率分布，适用于手写数字识别等多分类问题。二者虽结构简单，却体现了模型构建、损失定义和参数优化的核心思想，是理解复杂神经网络的基础。掌握这两个模型对深入学习AI至关重要。

图像分类作为深度学习领域的核心任务之一，其核心目标是将不同图像精准划分至对应类别标签，以实现分类误差的最小化。孙靖钺在相关分享中，从分类境界、评估体系、模型基础及实践难题等维度，系统拆解了图像分类技术的关键内容。

在深度学习目标检测领域，YOLO 系列算法凭借其高效的检测速度和出色的精度，一直备受关注。其中，YOLOv3 作为该系列的重要版本，在网络结构、特征处理、先验框设计等方面进行了多项关键改进，显著提升了小目标检测能力，成为当时目标检测领域的重要里程碑。

图像分割的本质是像素级分类：将图像中每个像素分配到特定类别，从而精准勾勒出目标的轮廓，实现 “哪里是目标、哪里是背景” 的细粒度区分，区别于目标检测仅输出目标边框的粗粒度定位。图像分割作为计算机视觉的细粒度任务，其技术体系涵盖 “定义 - 境界 - 数据 - 指标 - 架构” 五大核心环节：从像素级分类的基础定义出发，通过语义、实例、全景分割的三层递进实现场景理解；依托 VOC、Cityscape

本文分享了一个电商双11美妆数据分析项目的实践心得。通过数据预处理、可视化分析和商业洞察三个环节，揭示了数据背后的业务逻辑：预处理阶段重点处理重复值和缺失值，并构建特征工程；可视化分析发现"价格亲民"比"商品数量"更重要，护肤品销量高于化妆品，且双11前销量高于当天；最终得出男性市场潜力大、评论数异常可能暗示刷单、提前预热比当天冲量更有效等商业启示。作者强调

本文分享了一个电商双11美妆数据分析项目的实践心得。通过数据预处理、可视化分析和商业洞察三个环节，揭示了数据背后的业务逻辑：预处理阶段重点处理重复值和缺失值，并构建特征工程；可视化分析发现"价格亲民"比"商品数量"更重要，护肤品销量高于化妆品，且双11前销量高于当天；最终得出男性市场潜力大、评论数异常可能暗示刷单、提前预热比当天冲量更有效等商业启示。作者强调

图像分割的本质是像素级分类：将图像中每个像素分配到特定类别，从而精准勾勒出目标的轮廓，实现 “哪里是目标、哪里是背景” 的细粒度区分，区别于目标检测仅输出目标边框的粗粒度定位。图像分割作为计算机视觉的细粒度任务，其技术体系涵盖 “定义 - 境界 - 数据 - 指标 - 架构” 五大核心环节：从像素级分类的基础定义出发，通过语义、实例、全景分割的三层递进实现场景理解；依托 VOC、Cityscape

图像分割的本质是像素级分类：将图像中每个像素分配到特定类别，从而精准勾勒出目标的轮廓，实现 “哪里是目标、哪里是背景” 的细粒度区分，区别于目标检测仅输出目标边框的粗粒度定位。图像分割作为计算机视觉的细粒度任务，其技术体系涵盖 “定义 - 境界 - 数据 - 指标 - 架构” 五大核心环节：从像素级分类的基础定义出发，通过语义、实例、全景分割的三层递进实现场景理解；依托 VOC、Cityscape