回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。通常使用曲线/线来拟合数据点，目标是使曲线到数据点的距离差异最小 。线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。通长我们可以表达成如下公式：y^\ha

目标检测小目标数据增强大杀器-贴图方案

为了减少医生受到的X线辐射量，可以在术前进行3D血管影像的采集，在术中进行2D的实时血管造影影像采集，然后将2D图像配准到3D影像中，从而减少医生经验的依赖性。为了提升医疗AI辅助诊断的分类准确率，可以使用传统图像配准方法（比如基于SIFT算子的特征点匹配）进行图像的旋转与缩放校正，也可以使用在深度学习网络中额外接入一个Spatial Transform Network。常规的手术规划依赖于丰富经

在前面讲述的回归模型中，处理的因变量都是数值型区间变量，建立的模型描述是因变量的期望与自变量之间的线性关系。比如常见的线性回归模型：而在采用回归模型分析实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量，比如二项分布问题。通过分析年龄、性别、体质指数、平均血压、疾病指数等指标，判断一个人是否换糖尿病，Y=0表示未患病，Y=1表示患病，这里的响应变量是一个两点（0-1）分布变量，它就不

markdown和code能一起使用真是非常方便，在本地使用jupyter notebook书写笔记，然后上传到github上，不仅自己复习的时候方便查阅，还能帮到其他有需要的人。在github上查看ipynb文件以及大文件时，需要加载很长时间，而且经常加载失败。使用起来很不方便而且让人头疼、浪费时间。比如我查看优达学城的一个。...

为了减少医生受到的X线辐射量，可以在术前进行3D血管影像的采集，在术中进行2D的实时血管造影影像采集，然后将2D图像配准到3D影像中，从而减少医生经验的依赖性。为了提升医疗AI辅助诊断的分类准确率，可以使用传统图像配准方法（比如基于SIFT算子的特征点匹配）进行图像的旋转与缩放校正，也可以使用在深度学习网络中额外接入一个Spatial Transform Network。常规的手术规划依赖于丰富经

凸函数凸函数与凹函数凸函数判断：如果是一元函数 f(x)f(x)f(x) ，我们可以求二阶导数 f′′(x)f''(x)f′′(x) ，如果二阶导 f′′(x)f''(x)f′′(x) 总是非负，即总是大于等于0， f(x)f(x)f(x)就是凸函数。如果是多元函数 f(X)f(X)f(X) ，我们可以通过Hessian矩阵（由多元函数的二阶导数组成的方阵），如果Hessian矩阵是半正定矩阵，则

coco数据集是一个大型的物体检测、分割和字符的数据集。coco数据集任务coco数据集的特点共330k图片（>200k被标记）150w对象实例80个对象类别['人', '自行车', '汽车', '摩托车', '飞机', '公交车', '火车', '卡车', '船', '红绿灯', '消防栓', '停止标志','停车收费表', '长凳', '鸟', '猫', '狗', '马', '羊', '

在得到模型后，你需要借助一些指标来评估这个模型的好坏。人在学习后，会通过考试来评价学习效果，最终会评出优等生、差等生。机器学习也是一样的。区别只是机器学习会根据问题的不同，用不同的指标来进行模型效果的评估。对于分类问题，混淆矩阵是一种直观的模型效果分析方法。假设有个二分类模型，可以对一件事的正（P）负（N）作出判断。这样，在一次判断中，存在真实结果 y^\hat{y}y^​ 和预则结果y。如果二者

KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，注意KNN算法是有监督学习中的分类算法，它看起来和另一个机器学习算法K-means有点像（K-means是无监督学习算法），但却是有本质区别的。KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一些KNN算法的蛛丝马迹了。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。那么最近的