提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于N

残差结构Residual初次接触残差结构是在ResNets的网络中，可以随着网络深度的增加，训练误差会越来越多（被称为网络退化）的问题，引入残差结构即使网络再深吗，训练的表现仍表现很好。它有助于解决梯度消失和梯度爆炸问题，让我们在训练更深网络的同时，又能保证良好的信息。残差结构示意图残差网络的设计思想残差元的主要设计有两个，快捷连接和恒等映射，快捷连接使得残差变得可能，而恒等映射使得网络变深，而恒

文章目录1.K-means算法简介2.算法过程3.随机初始化4.K的选择1.K-means算法简介  在无监督学习中，我们会把没有标签的数据集交给算法，让它自动地发现数据之间的关系，聚类算法（Clustering algorithm）就是一种无监督学习算法。它会自动地将无标签的数据集进行分类，如下图：  它会将这个数据集划分成两类，每一个绿圈就是一类。  在聚类算法中，最常见的就是 K-均值算法（

1.目标检测算法分类两步走的目标检测：（1）先找出候选的一些区域（2）对区域进行调整代表：R-CNN、SPP-net、Fast R-CNN、（3）Faster R-CNN端到端的目标检测：（1）采用一个网络一步到位（2）输入图片，输出有哪些物体，物体在什么位置（3）代表：YOLO、SSD2.目标检测的任务分类：N个类别输入∶图片输出︰类别标签评估指标:Accuracy检测：N个类别输入∶图片输出︰

文章目录1.假设函数2.代价函数3.假设函数+代价函数a.只有一个参数θ1的假设函数以及代价函数b.有两个参数的假设函数以及代价函数1.假设函数在线性回归中，有一个训练集，如图1我们要做的是得出θ0，θ1这两个参数的值来让假设函数表示的直线尽量地与这些数据点很好的拟合，如图22.代价函数代价函数也称为平方误差函数或者平方误差代价函数3.假设函数+代价函数a.只有一个参数θ1的假设函数以及代价函数当

弱监督视频异常检测是将异常与视频中的正常场景和事件区分开来，在这个设置下，我们只知道视频中是否有异常事件，但不知道异常事件具体发生的时间。它通常被建模为MIL(多实例学习)问题，其中提供视频级标签来训练异常检测器以获得视频的帧级标签。然而，现有的大多数方法一般都忽略了异常视频(阳性包)中的时间信息，只使用阳性包中的一个样本(片段)进行训练。阳性包可能包含更多有用的信息，可能性高。因此，我们提出了一

文章目录1.数据压缩2.数据可视化3.PCA1.数据压缩  降维也是一种无监督学习的方法，降维并不需要使用数据的标签。  降维的其中一个目的是数据压缩，数据压缩不仅能够压缩数据，使用较少的计算机内存或磁盘空间，更可以加快我们的学习算法。  降维能很好的处理特征冗余，例如：在做工程时，有几个不同的工程队，也许第一个工程队给你二百个特征，第二工程队给你另外三百个的特征，第三工程队给你五百个特征，一千多

目录1.异常检测2.高斯分布3.异常检测VS监督学习4.选择要使用的功能5.多变量高斯分布以及它在异常检测中的应用1.异常检测  这一章中将介绍异常检测问题，这是机器学习算法的常见应用，那么什么是异常检测问题？  举例：比如生产汽车引擎，需要进行质量测试，而作为测试的一部分，需要测量汽车引擎的一些特征变量：(1）引擎运转时产生的热量；(2）引擎的振动；  于是就会有一个数据集：{x(1),x(2)

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于N

  我们将改造支持向量机算法，来构造比较复杂的非线性分类器，主要的技巧是称之为核(kernel)的东西，接下来我们看看核函数是什么以及如何使用它。  1.如果有一个这样的训练集，然后希望拟合一个非线性判别边界来区分正负样本示例，可能是下面这样的一个边界：一种方法是构造一个复杂多项式特征的集合，也就是像这样一个特征变量的集合，于是就得到一个假设x，得到下右边面式子.　　　　  为了说明一种写法，先引