本节为吴恩达教授机器学习课程笔记第十一部分，因子分析，针对对于样本数量少，特征维度高的数据建模，主要包括：样本数量远大于特征维度时使用高斯分布建模的问题，对协方差矩阵的两种限制条件，多元高斯联合分布的边缘分布和条件分布，因子分析模型的形式化定义和通俗理解，以及使用EM算法求解因子分析模型，最后附上使用因子分析解决实际问题的python代码实现。

本节为吴恩达教授机器学习课程笔记第七部分，最优模型选择，主要包括：模型选择方法、特征选择方法以及贝叶斯统计的部分知识。具体地，有留存法交叉验证和k-折交叉验证、启发式地前向和后向特征搜索策略、过滤器特征选择策略以及贝叶斯最大后验估计。

本节为opencv数字图像处理（8）：频率域滤波的第五小节，使用频率域滤波器进行图像的平滑与锐化，主要包括：理想低通/高通滤波器，巴特沃斯低通/高通滤波器、高斯低通/高通滤波器、频率域拉普拉斯算子、高频强调滤波器以及同态滤波的介绍和C++实现。

1. 误差2. 多项式插值与样条插值3. 函数逼近4. 数值积分与数值微分5. 线性方程组的直接解法6. 线性方程组的迭代解法7. 非线性方程求根8. 特征值和特征向量的计算9. 常微分方程初值问题的数值解

本节为线性代数复习笔记的第二部分，，主要包括：行列式的几何意义，行列式的展开计算（余子式，代数余子式），行列式的性质，特殊的五个行列式以及克拉默法则。1.欢迎扫描二维码关注微信公众号 深度学习与数学  [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]...

条件随机场(Conditional Random Fields, CRFs)因为具有对图像结构的建模能力可以作为一种有效的语义分割后处理方式，但是其缺点显著：一是训练和推断速度十分感人，二是其内部参数难以学习。该论文假设现有的全连接条件随机场框架具有条件独立性，从而提出以卷积的方式重新构建CRF，得到卷积条件随机场即ConvCRFs，使其参数能够利用反向传播算法进行优化，并且能够在GPU上高效实现

本节为吴恩达教授机器学习笔记第二部分:逻辑回归与分类(2)-感知机学习算法与逻辑回归的区别,牛顿方法。2. 感知机学习算法与逻辑回归的区别  区别1：这两位都是线性分类器，但是逻辑回归使用对数损失函数，而感知机使用的是均方损失函数(即错误点到分离平面的距离，最小化该值)。  区别2：逻辑回归的激活函数也与感知机不同，前者是sigmoid函数，后者是一个阶跃函数：  这就导致逻辑回归连续可导，使得最

本节为吴恩达教授机器学习课程笔记第三部分，广义线性模型（2）构建广义线性模型，包括最小均方算法、逻辑回归，着重介绍softmax的推导，并给出softmax的核心代码以及pytorch实现。2. 构建GLMS广义线性模型  考虑一个分类或者回归问题，我们希望得到一个x的函数，来计算随机变量y的值。为了推导出一个广义线性模型，我们给出这样三个假设：给定x和θ\thetaθ，我们假定y的分布服从参数为

传统分类网络通过连续的pooling或者其他下采样层来整合多尺度上下文信息，这种方式会损失一些分辨率。并且，分类网络与稠密预测不同，稠密预测需要多尺度上下文信息，同时还要求足够大的输出分辨率。论文针对图像语义分割中的像素级别的预测分类提出了一种新的卷积网络模块。通过空洞卷积进行多尺度上下文信息聚合而不降低特征图大小，空洞卷积支持感受野的指数增长。

本节为线性代数复习笔记的第二部分，矩阵的概念与计算（1），主要包括：行列式的几何意义，行列式的展开计算（余子式，代数余子式），行列式的性质，特殊的五个行列式以及克拉默法则。1.欢迎扫描二维码关注微信公众号 深度学习与数学  [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]...