目录一、基础简介二、实验步骤1、特征提取2、学习“视觉词典（visual vocabulary）”3、根据IDF原理，计算视觉单词的权4、针对特征集，根据视觉词典进行量化5、对输入图像，根据TF-IDF转化成视觉单词的频率直方图6、构造特征到图像的到排表，快速索引相关图像7、根据索引结果进行直方图匹配三、实验代码1、利用爬虫获取数据集2、sift提取特征并建立视觉词典3、 创建索引，建立数据库4、

一、基于最大间隔分隔数据1.1 线性模型1.2 超平面1.3 支持向量1.4 支持向量机二、寻找最大间隔三、拉格朗日乘子法与对偶问题3.1对偶问题：等式约束3.2不等式约束的KKT条件3.3最大间隔问题的拉格朗日乘法四、SMO算法4.1 小规模数据集4.2 应用简化版 SMO 算法处理小规模数据集4.3、利用完整Platt SMO算法加速优化五、示例：基于SVM的手写数字识别5.1 数据集5.2

一、计算机视觉和图像处理从20世纪中期至今，计算机视觉不断发展，研究经历了从二维图像到三维到视频再到真实空间的探知，操作方法从构建三维向特征识别转变，算法由浅层神经网络到深度学习，数据的重要性逐渐被认知，伴随着计算机从理论到应用的速度加快，高质量的各种视觉数据不断沉淀，无论在社会经济农业还是工业领域，还是视频直播、游戏、电商不断发展，有计算机视觉应用层出不穷，为我们生活添加了丰富色彩，那么计算机视

​一、基于贝叶斯决策理论的分类方法二、条件概率三、朴素贝叶斯分类器四、使用朴素贝叶斯进行文档分类4.1准备数据：从文本中构建词向量4.2 训练算法：从词向量计算概率4.3 测试算法：根据现实情况修改分类器4.4 准备数据：文档词袋模型五、示例：使用朴素贝叶斯过滤垃圾邮件5.1准备数据：切分文本5.2 测试算法：使用朴素贝叶斯进行交叉验证5.3 垃圾邮件分类完整代码六、朴素贝叶斯实验总结

一、决策树的基本概念

​一、基于贝叶斯决策理论的分类方法二、条件概率三、朴素贝叶斯分类器四、使用朴素贝叶斯进行文档分类4.1准备数据：从文本中构建词向量4.2 训练算法：从词向量计算概率4.3 测试算法：根据现实情况修改分类器4.4 准备数据：文档词袋模型五、示例：使用朴素贝叶斯过滤垃圾邮件5.1准备数据：切分文本5.2 测试算法：使用朴素贝叶斯进行交叉验证5.3 垃圾邮件分类完整代码六、朴素贝叶斯实验总结