（一）imgaug基础用法（二）imgaug进阶示例（三）imgaug图像分割数据增强之前两章展示了最基本的imgaug的基础用法，以及一个较为全面的各种增强方法的展示，这里我们介绍在分割问题中的数据增强方法。在分类问题中，输入为一张图像，输出为一个类别，在这种问题中，我们只需要对图像进行增强，并不需要对标签做出改动。而在分割问题中，当训练使用的图像被翻转或者扭曲之后，标签也要对应的做出相...

这一讲我们介绍基于基于python的skimage包的形态学操作，主要介绍最常见的几个形态学操作，就是图像的膨胀腐蚀和开闭运算，主要利用skimage.morphology膨胀和腐蚀很直观，膨胀就是让一个区域变大，腐蚀就是让一个区域变小很直观很形象。开运算就是先做腐蚀再做膨胀，这样可以去除图像中一些孤立的小点，将两个区域很细的连接去除，闭运算就是首先对图像进行膨胀之后再进行腐蚀，这样可以去除图像.

没有免费午餐理论是在有限的搜索空间中，当且仅当我们指定了具体的问题的时候我们才能说一个优化方法要优于另一种优化方法。也就是说，在理论上，不存在一个算法在所有的问题上都能获得最优的结果。

Skimage是python一个强大的图像处理的包，对于学习数字图像处理的小伙伴们来说是一个很实用的包，数据都是基于numpy格式所以熟悉numpy操作的小伙伴们会用的更方便，当然，不懂的话也没有影响。安装方式如下：pip install scikit-image涉及到读写操作主要是使用skimage.io中的各种函数，skimage.data 提供了一系列的返回示例图片的方法，其中最为常用的..

所谓的优化器，就是tensorflow中梯度下降的策略，用于更新神经网络中数以百万的参数。工程师们除了在不断的推出新的神经网络的结构以外，还在不断的推出新的参数更新的策略，在这篇博客中，我们就列举tensorflow中所有的优化器，并对几个进行讲解。为了列举所有的优化器，我们首先把tf包中所有的优化器都罗列出来。这里使用的是tf10版本，目前最新的版本，进入python，用dir(tf.trai.

Mathematica是一款强劲的数学分析型软件，以符号计算见长。下面我们就来认识一下各种基础操作：1,基础运算操作1.1运算符：Mathematica支持我们常见的运算符+ - * / ^ ! （加，减，乘，除，指数，阶乘）。逻辑运算符&&与，||或，！非1.2表达式：在Mathematica中可以直接将字母符号带入运算，这在大部分的数学软件中是不允许的，如x+y

0. topsis简介Topsis法，全称为Technique for Order Preference by Similarity to an Ideal Solution中文常翻译为优劣解距离法，该方法能够根据现有的数据，对个体进行评价排序。Topsis法和之前讲过的AHP方法一样，都可以对一系列的个体进行评价，不过通常来说AHP的应用场景是在没有明确的量化指标的情况下，而topsis是在有.

通过对于分类问题的介绍，认识基本的机器学习问题。认识什么是分类器，如何训练一个用于分类的机器学习的分类器，应该如何正确的使用数据训练一个分类器。

什么是机器学习？让我们从不同版本的定义入手了解下什么是机器学习。机器学习中用很多的问题，比如有监督学习，无监督学习，弱监督学习，半监督学习，强化学习和多示例学习，他们都是如何定义的？

我们在这里介绍几个机器学习中经常可以听到的几个名词，他们就是泛化能力，欠拟合，过拟合，不收敛和奥卡姆剃刀原则。