一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而

目录一、基础理论二、身高体重预测性别1、获取数据（男女生身高体重）2、数据处理（合并数据）3、设置标签4、创建分类器（支持向量机）4-1、创建svm分类器4-2、设置分类器属性（线性核）5、训练6、预测总代码一、基础理论SVM本质：寻求一个最优的超平面进行分类。（分类器）SVM核：支持很多核（这里主要使用线性核）左图分类比较简单，一条线就可以分类；但右图一条线明显无法完成分类，这时则需要多条线甚至

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

目录感知机（神经元）一个感知机：两个感知机：三个感知机：神经网络例（神经网络）感知机（神经元）感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机：可以发现处理效果不咋样，只能处理一部分数据。两个感知机：处理效果比刚才好了很多。三个感知机：可以发现处理效果已经很不错了，比刚才好了很多。一个感知机解决不了

目录感知机（神经元）一个感知机：两个感知机：三个感知机：神经网络例（神经网络）感知机（神经元）感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机：可以发现处理效果不咋样，只能处理一部分数据。两个感知机：处理效果比刚才好了很多。三个感知机：可以发现处理效果已经很不错了，比刚才好了很多。一个感知机解决不了

深度学习能够学习到，什么特征是最合适的。深度学习解决的核心问题：如何提取特征。特征提取：

计算机视觉是人工智能领域最热门的研究领域之一，并且是近几年发展最快的人工智能领域之一。CV(Computer Vision)领域的快速发展主要得益于卷积神经网络的使用。计算机视觉介绍1、计算机视觉应用人脸识别图像检索（搜索引擎图片搜索）监控光学字符识别OCR（证件识别，车牌识别，文档识别，银行卡识别，名片识别，身份证识别等）自动驾驶（检测交通标志、路上的行人和车辆等）2、计算机视觉技术图像分类..

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

拟合1、拟合情况拟合分为三种情况：欠拟合、正确拟合、过拟合。训练集中：训练集中，过拟合的效果最好。测试集中：不难看出，测试集中是正确拟合的效果最好。总结：过拟合虽然在训练集中的效果非常好，但是一旦到了测试集，效果就不如正确拟合好。模型复杂度在深度学习中主要指的是网络的层数以及每层网络神经元的各种，网络的层数越多越复杂，神经元的个数越多越复杂。训练集的误差是随着模型复杂度的提升而不断降低的...

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而