将以最简单的MNIST数据集展示如何使用Keras框架训练神经网络。最简单的神经网络，在测试集上的精度达到了88.5%使用全连接的神经网络，精度达到97.2%。最简单的神经网络（输入784维，输出10维）1.加载和处理MNIST数据集1.1 加载数据集from keras.datasets import mnist(x_train, y_train), (x_test, y_test) = mni

基于人脸的常见表情识别（3）——模型搭建、训练与测试模型搭建与训练1. 数据接口准备2. 模型定义3. 模型训练模型测试本 Task 是『基于人脸的常见表情识别』训练营的第 3 课，如果你未学习前面的课程，请从 Task1 开始学习，本 Task 需要使用到数据集，在 Task2 中提供下载的渠道。在完成了数据准备后，接下来就是卷积神经网络一展身手的时候了，通过本次任务，您将学到如何使用 PyTo

基于人脸的常见表情识别(1)——深度学习基础知识神经网络1. 感知机2. 多层感知机与反向传播卷积神经网络1. 全连接神经网络的2大缺陷2. 卷积神经网络的崛起卷积神经网络的基本网络层1. 什么是卷积？2. 填充（Padding）3. 步长（Stride）4. 池化5. 卷积和池化输出尺寸计算6. 为什么要用卷积来学习呢？7. 卷积神经网络的优势在哪？本训练营以理论结合实战的方式，帮助大家从 0

基于人脸的常见表情识别(1)——深度学习基础知识神经网络1. 感知机2. 多层感知机与反向传播卷积神经网络1. 全连接神经网络的2大缺陷2. 卷积神经网络的崛起卷积神经网络的基本网络层1. 什么是卷积？2. 填充（Padding）3. 步长（Stride）4. 池化5. 卷积和池化输出尺寸计算6. 为什么要用卷积来学习呢？7. 卷积神经网络的优势在哪？本训练营以理论结合实战的方式，帮助大家从 0

机器学习算法（九）:基于线性判别模型的分类1.前言：LDA算法简介和应用1.1.算法简介线性判别模型（LDA）在模式识别领域（比如人脸识别等图形图像识别领域）中有非常广泛的应用。LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。这点和PCA不同。PCA是不考虑样本类别输出的无监督降维技术。LDA的思想可以用一句话概括，就是“投影后类内方差最小，类间方差最大”。我们要将数据

机器学习算法（四）: 基于支持向量机的分类预测1 前言支持向量机（Support Vector Machine，SVM）是一个非常优雅的算法，具有非常完善的数学理论，常用于数据分类，也可以用于数据的回归预测中，由于其优美的理论保证和利用核函数对于线性不可分问题的处理技巧，在上世纪90年代左右，SVM曾红极一时。本文将不涉及非常严格和复杂的理论知识，力求于通过直觉来感受 SVM。2 学习目标了解支持

机器学习算法（六）: 基于XGBoost的分类预测1. 实验室介绍1.1 XGBoost的介绍XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了

机器学习算法（九）:基于线性判别模型的分类1.前言：LDA算法简介和应用1.1.算法简介线性判别模型（LDA）在模式识别领域（比如人脸识别等图形图像识别领域）中有非常广泛的应用。LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。这点和PCA不同。PCA是不考虑样本类别输出的无监督降维技术。LDA的思想可以用一句话概括，就是“投影后类内方差最小，类间方差最大”。我们要将数据

机器学习算法（九）:基于线性判别模型的分类1.前言：LDA算法简介和应用1.1.算法简介线性判别模型（LDA）在模式识别领域（比如人脸识别等图形图像识别领域）中有非常广泛的应用。LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。这点和PCA不同。PCA是不考虑样本类别输出的无监督降维技术。LDA的思想可以用一句话概括，就是“投影后类内方差最小，类间方差最大”。我们要将数据

机器学习算法（四）: 基于支持向量机的分类预测1 前言支持向量机（Support Vector Machine，SVM）是一个非常优雅的算法，具有非常完善的数学理论，常用于数据分类，也可以用于数据的回归预测中，由于其优美的理论保证和利用核函数对于线性不可分问题的处理技巧，在上世纪90年代左右，SVM曾红极一时。本文将不涉及非常严格和复杂的理论知识，力求于通过直觉来感受 SVM。2 学习目标了解支持