本篇介绍了：数据增强的方法。数据增强是如何体现的。注意：数据增强与过采样直接拟合大量数据不同，数据增强体现在每次循环训练数据前，都给数据进行一次随机变换，使得每次训练的数据都不一样，从而实现训练大量的数据。

本篇介绍了：如何进行迁移学习对迁移模型进行微调：微调全连接层微调卷积层（本篇未写），原理相同，可自行尝试注意：原本的模型参数务必要冻结住，那是已经调好的，可以节省计算时间。仅需要调整修改部分的参数。

本篇介绍了如何搭建卷积神经网络，其主要的构造部分为卷积层、激活层以及池化层，可以搭建多层该部分对数据进行多次卷积、池化。注意：同普通的神经网络不同，卷积神经网络在传入图片时不需要将其展开，因为对图片进行卷积就是在原图上进行内积，不能展开。

本篇介绍了，如何通过FisherFaces算法来实现人脸识别，其中需要注意的是：1. 在使用EigenFaces算法进行人脸识别时，传入图像的大小（即尺寸）需要保持一致。2. 训练以及测试图像最好使用大头照，减少身体的部分。3. 置信度需要低于五千才有说服力，越小越准确。

本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。

本篇介绍了，如何通过EigenFaces算法来进行人脸识别，其中需要注意的是：1. 在使用EigenFaces算法进行人脸识别时，传入图像的大小（即尺寸）需要保持一致。2. 训练以及测试图像最好使用大头照，减少身体的部分。

逻辑回归更适合二分类算法，但是也可以通过一些策略，扩展到多分类问题。注意要将读取的数据进行标准化操作，灰度图图片数据相差过大。学会调整参数，优化模型，比如本篇在交叉验证中找寻最优的惩罚因子。

本篇介绍了如何使用KNN算法进行手写数字识别：训练模型：收集数据 – 读取图片数据 – 转化灰度图 – 处理图像 – 装进array数组 – 调整数据结构 – 分配标签 – 训练模型测试模型：评估性能 – 识别问题 – 优化和改进测试数据：查看实用性。

本篇介绍了：1. jieba分词的基础用法2. 如何计算中文文本中单词的TF-IDF值3. 型拟合变换之后，模型中已经将每个单词的TF-IDF值计算出来了

本篇介绍了：1. LSTM网络的作用：解决标准RNN在处理长序列数据时容易出现的梯度消失和梯度爆炸问题。2. LSTM网络的核心是记忆单元，记忆单元由一个细胞状态和三个门控向量组成，这三个门控向量分别是遗忘门、输入门和输出门。3. LSTM网络通过引入门控机制和细胞状态等创新设计，只保留相关信息来进行预测，解决了传统RNN在处理长序列数据和长期依赖问题上的困难。