目录知识准备重要度采样优化积分的近似知识准备假设随机变量X的取值：x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​，它对应的概率PPP是：p1,p2,...,pnp_1,p_2,...,p_np1​,p2​,...,pn​，则关于XiX_iXi​的数学期望是：E(X)=∑k=1∞xipkE(X)=\sum_{k=1}^\infty x_ip_kE(X)=k=1∑

目录动态规划（Dynamic Programming，DP）是一类优化方法，在给定一个用马尔可夫决策过程（MDP）描述的完备环境模型的情况下，其可以计算最优的策略。我们假设环境是一个有限MDP。我们假设状态集合S、动作A和收益集合R是有限的，并且整个系统的动态特性由对于任意s∈S、a∈A(s)、r∈R和s’∈S+（S+表示在分幕式任务下S加上一个终止状态）的四参数概率分布p(s’,r|s,a)给出

目录知识准备重要度采样优化积分的近似知识准备假设随机变量X的取值：x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​，它对应的概率PPP是：p1,p2,...,pnp_1,p_2,...,p_np1​,p2​,...,pn​，则关于XiX_iXi​的数学期望是：E(X)=∑k=1∞xipkE(X)=\sum_{k=1}^\infty x_ip_kE(X)=k=1∑

在图像深度学习任务中，对于小数据集，可以通过Image Data Augmentation图像增强技术来扩充数据。比如Keras的ImageDataGenerator。ImageDataGenerator的使用：tf.keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,samplewise_center=Fal

目录图像的感知和获取图像数字化采样分辨率量化灰度级数字图像的表示彩色图像 - RGB彩色图像 - HSV其他颜色空间颜色空间转换灰度化图像的感知和获取数字化图像的获取过程由光敏传感器开始，传感器的输出一般是连续的电压波形，描述传感器质量的参数包括单元数，尺寸，和传感性能。图像数字化使用图像数字化技术将连续的电压波形转换成图像，数字化过程包括采样和量化采样采样就是按照一定的时间间隔和空间间隔，在连续

目录生物神经元人工神经网络神经元神经网络的拓扑结构前馈网络反馈网络图网络生物神经元人工神经网络人工神经网络旨在模仿人人脑结构及其功能的信息处理系统。人工神经网络简称神经网络（Artificial Neural Network，ANN），是由人工神经元互联组成的网络。神经元神经网络由大量的神经元和它们之间的有向连接组成。神经元大致由一个线性函数和一个作为非线程转换的激活函数组成。神经网络的拓扑结构前

目录分词规则分词统计分析深度学习分词混合分词词性标注的定义命名实体识别分词中文分词（Chinese Word Segmentation）：指的是将一个汉字序列切分成一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。例如：一九九八年/中国/实现/进出口/总值/达/一千零九十八点二亿/美元规则分词规则分词：一种机械分词方法，主要是通过维护词典，在切分语句时，将语句中的每个字符串

目录关于线性回归简单线性回归将模型扩展到多元线性回归关于线性回归线性回归一直是最广泛使用的回归方法之一，也是统计学中基本的分析方法。它在今天仍然被广泛使用，是因为线性关系比非线性关系更容易建模，所得模型解释也更容易。简单线性回归例如使用UCI波士顿房屋数据集，这个数据集数量比较小，并不代表大数据问题，但是可以拿来说明算法。数据集包含了波士顿郊区的自住住房的平均值，以及可用于预测房屋价值的13个特征

目录概述正向传播误差的反向传播权重更新梯度消失与梯度爆炸概述反向传播算法使用链式求导法则将输出层的误差反向传回给网络，使网络中的权重有了较简单的地图计算方法。像TensorFlow，Pytorch有现成的反向传播实现。正向传播首先定义一个简单的神经网络，正向传播的过程如下所示以此类推，到达预测值y的位置如下。误差的反向传播接着计算预测值与真实值的误差接着可算出上一层的误差，本层的误差由“下一层的误

目录卷积神经网络卷积运算卷积核计算演示卷积网络中的概念卷积神经网络的核心思想卷积神经网络结构ILSVRCAlexNetVGGNet谷歌的GoogLeNet微软的残差网络ResNetSENet卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它包括（convolution），池化层（pooling layer）和全连接层（fully co