3.1 选择分类算法    监督机器学习算法训练的主要步骤：1）选择特征并收集训练样本；2）选择度量性能的指标；3）选择分类器并优化算法；4）评估模型的性能；5）调整算法。3.2 了解scikit-learn第一步——训练感知器    我们仍然使用鸢尾花数据集来训练感知器，首先使用数据集的两个特征来实现可视化：将150个鸢尾花样本的花瓣长度和宽度存入特征矩阵X，把相应的品种分类标签存入向量y，实现

但经过监督学习算法学习所获得的预测模型可以将训练数据集中出现过的任何维度的类标签分配给尚未打标签的新样本，这也就会出现多类分类任务，其典型示例就是手写数字识别。对连续结果的预测，也称为回归分析。为了获得模型的最佳性能，许多机器学习算法要求所选特征的测量结果单位相同，通常通过把特征数据变换到[0,1]的取值范围，或者均值为0、方差为1的标准正态分布来实现。为比较不同的算法来方便训练和选择性能最好的模

3.1 选择分类算法    监督机器学习算法训练的主要步骤：1）选择特征并收集训练样本；2）选择度量性能的指标；3）选择分类器并优化算法；4）评估模型的性能；5）调整算法。3.2 了解scikit-learn第一步——训练感知器    我们仍然使用鸢尾花数据集来训练感知器，首先使用数据集的两个特征来实现可视化：将150个鸢尾花样本的花瓣长度和宽度存入特征矩阵X，把相应的品种分类标签存入向量y，实现

注意力机制1.基础概念1.1 查询、键和值在人类的注意力方式中，有自主性的与非自主性的注意力提示两种解释方式。所谓自主性注意力提示，就是人本身主动想要关注到的某样东西；非自主性提示则是基于环境中物体的突出性和易见性，由客观因素影响使得人不自知地而关注到某样东西。在注意力机制中也是通过这两种注意力提示在神经网络中搭建相关框架。首先，考虑一个相对简单的状况，即只用非自主性提示。要想选择偏向于感官输入，

1.颜色空间/颜色模型1.1 RGB模型RGB(Red, Green, Blue)模型表示的图像由3个分量图像组成，每种原色一幅分量图像。当送入RGB监视器时，这3幅图像在屏幕上混合生成一幅合成的彩色图像。考虑一幅RGB图像，其中每一幅图红绿蓝图像都是一幅8比特图像。在这种情况下，可以说每个RGB彩色像素有24比特的深度。在24比特RGB图像中，颜色总数是(28)3=16777216。下图为分别为

现代卷积神经网络1.深度卷积神经网络（AlexNet）在LeNet提出后，卷积神经网络在计算机视觉和机器学习领域中很有名气。但卷积神经网络并没有主导这些领域。这是因为虽然LeNet在小数据集上取得了很好的效果，但是在更大、更真实的数据集上训练卷积神经网络的性能和可行性还有待研究。事实上，在上世纪90年代初到2012年之间的大部分时间里，神经网络往往被其他机器学习方法超越，如支持向量机（SVM）。A

3.1 选择分类算法    监督机器学习算法训练的主要步骤：1）选择特征并收集训练样本；2）选择度量性能的指标；3）选择分类器并优化算法；4）评估模型的性能；5）调整算法。3.2 了解scikit-learn第一步——训练感知器    我们仍然使用鸢尾花数据集来训练感知器，首先使用数据集的两个特征来实现可视化：将150个鸢尾花样本的花瓣长度和宽度存入特征矩阵X，把相应的品种分类标签存入向量y，实现

1.从 “Websites” 表中删除网站名为 “Facebook” 且国家为 USA 的网站。1.把 “菜鸟教程” 的 alexa 排名更新为 5000，country 改为 USA。在表中，一个列可能会包含多个重复值，有时您也许希望仅仅列出不同（distinct）的值。constraint: 列的约束（如 PRIMARY KEY、NOT NULL 等）。ORDER BY: 排序方式，ASC 表