文章目录1. 基础概念1.1 学习曲线1.2 L1/L2 范数1.3 正则化2. 线性回归2.1 线性回归拟合正弦函数2.2 线性回归预测房价3. 逻辑回归3.1 逻辑回归模型成本函数3.2 逻辑回归癌症预测实战1. 基础概念1.1 学习曲线通过学习曲线可以观测模型准确度与训练数据集大小的关系，其要表达的内容是当训练数据集增加时，模型对训练数据集拟合的准确性以及交叉验证数据集预测的准确性的变化规律

文章目录1、导入数据2、展示数据特征3、数据标准化4、计算协方差矩阵5、求特征值与特征向量6、按照特征值大小进行排序7、计算累积结果8、完成PCA降维9、可视化对比降维前后数据的分布以下是使用PCA算法处理实际问题的例子，同样使用鸢尾花数据集，目的依旧是完成降维任务基本的流程如下：1.数据预处理，只有数值数据才可以进行PCA降维2.计算样本数据的协方差方阵3.求解协方差矩阵的特征值和特征向量4.将

%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as np1. PCA介绍1.1 概念思想：dots = np.array([[1, 1.5], [2, 1.5], [3, 3.6], [4, 3.2], [5, 5.5]])def cross_point(x0, y0):"""1. line1: y = x2. line

文章目录1、数据集处理2、不同特征维度上的均值向量3、类内散步矩阵与类间散步矩阵4、特征值与特征向量5、可视化展示主要流程：理论部分的参考文章：1、LDA和PCA降维总结2、详解协方差与协方差矩阵3、期望值、均值向量和协方差矩阵4、如何计算数学期望以下是用一个经典的“鸢尾花”数据集上使用线性判别分析完成降维任务。数据集中含有3类共150条鸢尾花基本数据，其中3个种类山鸢尾，变色鸢尾，维吉尼亚鸢尾各

1.Faster R-CNN简介Faster R-CNN，论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，原文链接同样使用VGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛

文章目录数值特征1.字符串编码2.二值特征3.多项式特征4.连续指离散化本文特征1.基本预处理2.词袋模型3.常用文本特征构造方法TF-IDF 模型Similarity特征聚类特征主题模型词向量模型下面是做一个学习的归纳# 标签是字符的例子import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib

这里需要下载kitti的3D检测数据，从一个raw.githubusercontent.com的网站上进行wget下载txt文件，但是返回无法访问的错误。Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|0.0.0.0|:443…1）通过ip查询网站（https://site.ip138.com/raw.Gith

文章目录1.YOLOv3简介2.YOLOv3改进1）backbone2）多尺度预测3）目标边界框的预测4）多标签分类3.YOLOv3损失函数1）目标置信度损失2）目标类别损失3）目标定位损失回顾前两个版本的yolo笔记：YOLOv1：目标检测算法——YOLOv1YOLOv2：目标检测算法——YOLOv2本文结合了几个博主的笔记，加上自己的一些理解归纳而成。其中比较多的参考了博主「太阳花的小绿豆」对

yolov1全称：You Only Look Once:Unified, Real-Time Object Detection，论文链接有博主将其进行了翻译，论文翻译：翻译链接YOLOv1也是目标检测网络中one steap的网络。在pascal voc2007的测试数据集的效果为63.4mAP，在448x448的图像上进行推理处理的时延为45FPS。SSD在pascal voc2007的测试数据

本文根据网络资料与原论文整合而成，参考资料见最下文章目录1. Introduction2. Visualizationpaper：R-FCN: Object Detection via Region-based Fully Convolutional Networks提出的动机：从平移不变与可变性方面的理解：作者分析了图片分类任务中需要CNN平移不变性 与 对象检测任务中需要的平移可变性的困境；作