目录深度学习的正则化L1与L2正则化Dropout正则化提前停止批标准化总结深度学习的正则化学习目标知道L2正则化与L1正则化的方法知道随机失活droupout的应用知道提前停止的使用方法知道BN层的使用方法在设计机器学习算法时不仅要求在训练集上误差小，而且希望在新样本上的泛化能力强。许多机器学习算法都采用相关的策略来减小测试误差，这些策略被统称为正则化。因为神经网络的强大的表示能力经常遇到过拟合

目录图像增强与模型微调学习随笔常用的图像增强方法tf.image进行图像增强翻转和裁剪颜色变换使用ImageDataGenerator()进行图像增强模型微调微调热狗识别获取数据集模型构建与训练总结图像增强与模型微调学习随笔图像增强学习目标知道图像增强的常用方法能够利用tf.keras来完成图像增强大规模数据集是成功应用深度神经网络的前提。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现

线性回归算法&梯度下降策略&逻辑回归算法一个月过去了，这一个月也没有学习Python，期间准备了英语六级，感觉考的也不怎么样，之后又有课程设计，在学校事情太多了。。。。放假回家了，元旦玩了4,5天，终于可以静下心来学习了。线性回归算法机器学习的数学基础很重要，学习的过程注定有很多不理解的以及枯燥的地方，一定要坚持下去！线性回归例子：数据：工资和年龄（2个特征）；目标：预测银行会贷款

python文本数据分析-新闻分类任务文本分析文本数据停用词：1.语料中大量出现；2.没啥大用；3.留着过年嘛？所以根据停用词表进行筛选，去掉这些停用词。Tf-idf：关键词提取《中国的蜜蜂养殖》: 进行词频（Term Frequency，缩写为TF）统计出现次数最多的词是----“的”、“是”、“在”----这一类最常用的词（停用词）“中国”、“蜜蜂”、“养殖”这三个词的出现次数一样多，重要性是

机器学习阶段总结从放假到现在终于把唐宇迪老师的python数据分析与机器学习实战视频网课看完了，整体感受就是仍然感觉我还是个废物，哈哈哈哈。。学习到的确实挺多的，Python的一些库，还有很多的算法，当然也在一直坚持做笔记。我磕磕绊绊算是踏入了人工智能的大门，从机器学习打基础，一些知识点熟悉但没掌握，代码能看懂一些但又不能完全看懂。跟JAVAEE学习相比，Python学起来更像是多而杂。记得前几天

目录R-CNN网络基础Overfeat模型RCNN模型算法流程候选区域生成CNN网络提取特征目标分类（SVM）目标定位预测过程算法总结Fast RCNN模型算法流程ROI Pooling目标分类和回归模型训练模型预测模型总结总结R-CNN网络基础学习目标了解Overfeat模型的移动窗口方法了解RCNN目标检测的思想了解fastRCNN目标检测的思想知道多任务损失Overfeat模型Overfea

Python时间序列分析与实战时间序列分析ARIMA自回归模型（AR）自回归模型的限制移动平均模型（MA）自回归移动平均模型（ARMA）ARIMA(p，d，q)模型自相关函数ACF(autocorrelation function)偏自相关函数(PACF)(partial autocorrelation function)ARIMA(p，d，q)阶数确定：ARIMA建模流程：Pandas生成时间序

项目实战-交易数据异常检测import pandas as pdimport matplotlib.pyplot as pltimport numpy as np%matplotlib inlinedata = pd.read_csv("creditcard.csv")data.head()# value_counts计算当前数据的某一列有多少个不同的属性值count_classes = pd.v

目录SSD算法SSD网络结构backboneextra部分loc和clsPriorBox层先验框的生成方法loc的预测结果模型训练正负样本标记损失函数困难样本挖掘模型预测总结SSD算法学习目标知道SSD的多尺度特征图的网络知道SSD中先验框的生成方式知道SSD的损失函数的设计目标检测算法主要分为两类：Two-stage方法：如R-CNN系列算法，主要思路就是通过Selective Search或者

MarkDown编辑器—Typora的必备设置（字体、主题、间距）了解到很多情况下没有网，自己的文章如果使用在线博客上传（以前我都是用CSDN的Markdown），那么就很被动。所以准备使用一款Markdown编辑器，而Typora无疑是非常流行的。那么写这篇文章就是为了如何简单配置Typora，让它用的更顺手一些。好久没写博客了，今天开启新的启程，以后也会专注Python的学习，刚从学习Java