K近邻（KNN）算法1、K-近邻算法k近邻算法是一种基本分类和回归方法。当对数据的分布只有很少或者没有任何先验知识时，K 近邻算法是一个不错的选择。K近邻算法有三要素：k 值的选择、距离度量和分类决策规则K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。（这就类似于现实生活中少数服从多数的思想）

没有外部校准模式的校准  从多个图像中估计3D姿势需要校准相机，以达到与目标尺寸相称的精度水平–在测量像果蝇这样小的动物的腿部运动时，这是一个困难的挑战。因此，DeepFly3D没有使用典型的外部校准网格，而是使用苍蝇本身作为校准目标。它检测苍蝇身体上的任意点，并依靠捆绑调整（Chavdarova等人，2018）来同时为这些点分配三维位置，并估计每个摄像头的位置和方向。为了提高鲁棒性，它执行了适用

卷积神经网络（CNN）CNN解决了什么问题人类的视觉原理卷积神经网络-CNN 的基本原理卷积--局部特征提取池化层（下采样）——数据降维，避免过拟合全连接层——输出结果该博客仅用于记录学习过程，避免忘记方便以后复习卷积神经网络最擅长的就是进行图像处理问题，它受到人类视觉神经系统的启发。CNN具有两大特点：1、能够有效的将大数据量的图片降维成小数据量2、能够有效的保留图片特征，符合图片处理的原则目前

  在这项工作中，展示了视频中的3D姿态可以被基于2D关节点的空洞时域的全卷积模型有效的预测，同时引进了反向映射back-projection, 一种可以利用为标记的视频数据的简单而有效的半监督训练方法。

大行为：深度行为分析新时代的挑战和机遇

基于Unet的医疗影像分割

线性回归线性回归解决问题基本形式线性回归目的模型计算梯度下降法求最优解代码演示--波士顿房价预估(python)线性回归算法学习记录，方便后期复习线性回归解决问题对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估

线性回归线性回归解决问题基本形式线性回归目的模型计算梯度下降法求最优解代码演示--波士顿房价预估(python)线性回归算法学习记录，方便后期复习线性回归解决问题对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估

该实验通过PCA降维+BP神经网络的算法实现对人脸数据集中人脸数据的识别

该实验通过PCA降维+BP神经网络的算法实现对人脸数据集中人脸数据的识别