7、概率图模型概率模型probabilistic model：提供一种描述框架，将学习任务归结于计算变量的概率分布，核心是如何基于可观测变量推测出未知变量的条件分布 →①生成式generative模型：考虑联合分布P(Y,R,O)②判别式discriminative模型：考虑条件分布P(Y,R|O)由①或②得到条件概率分布P(Y|O)（Y：所关心的变量集合；O：可观测变量集合；R：其他变量的集合）

8、降维与度量学习8.1 k近邻k-Nearest Neighbor(KNN)学习常用的监督学习方法，“懒惰学习lazy learning”的代表给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个邻居的信息来进行预测通常分类任务中使用“投票法（选择这k个样本中出现最多的类别标记作为预测结果）”，回归任务中使用“平均法”，还可基于距离远近进行加权平均或加权投票，距离越

机器学习主要类型（一）：监督学习Supervised Learning1.1 分类1.1.1 二分类（类别标签y∈{-1，+1}或{0,1}）1.1.2 多分类（分类的类别数C大于2，通常需要多个线性判别函数）1.1.3类别不平衡问题class-imbalance一般的分类学习方法都有一个共同的基本假设：不同类别的训练样例数目相当。但如果不同类别的训练样例数目差别很大，则会对学习过程造成困扰。解决

10、规则学习 rule learning从训练数据中学习出一组能用于对未见示例进行判别的规则优势：①与神经网络、支持向量机这样的黑箱模型相比，规则学习具有更好的可解释性，使用户更直观地对判别过程有所了解②数理逻辑有极强的表达能力，绝大多数人类知识都能通过数理逻辑进行简洁的刻画和表达，因此规则学习能更自然地在学习过程中引入领域知识③逻辑规则的抽象描述能力在处理一些高度复杂的AI任务时具有显著的优势

利用图神经网络（GNN）的视频/图像分割模型总结，包括对应论文引用示例、模型示意图、主要参数解释及计算、三种模型的相同与不同点对比。

运行python文件时，在前面加上 CUDA_VISIBLE_DEVICES=xxx，xxx是你要指定的gpu序号。如`CUDA_VISIBLE_DEVICES=0,2 python extract_masks.py`表示指定了0、2号两个gpu。注意，序号是从0开始排的，所以如果你只有一个gpu，那么就是`CUDA_VISIBLE_DEVICES=0 python extract_masks.p

运行python文件时，在前面加上 CUDA_VISIBLE_DEVICES=xxx，xxx是你要指定的gpu序号。如`CUDA_VISIBLE_DEVICES=0,2 python extract_masks.py`表示指定了0、2号两个gpu。注意，序号是从0开始排的，所以如果你只有一个gpu，那么就是`CUDA_VISIBLE_DEVICES=0 python extract_masks.p

上网搜索了许多方法，最终还是采用了vscode和latex本地编译的方法，能够很快地编译出pdf，中间遇到了许多报错，现在记录下来，方便复习。

机器学习主要类型（五）：系列总结_思维导图（监督学习、无监督学习、半监督学习、强化学习）_ _ _ _ _ _ 机器学习主要类型系列文章更新完毕，喜欢的朋友可以关注后续其他文章 _ _ _ _ _ _《机器学习主要类型》系列文章往期回顾：机器学习主要类型（一）：监督学习机器学习主要类型（二）：无监督学习机器学习主要类型（三）：半监督学习机器学习主要类型（四）：强化学习参考书目：周志华.《机器学习》

利用图神经网络（GNN）的视频/图像分割模型总结，包括对应论文引用示例、模型示意图、主要参数解释及计算、三种模型的相同与不同点对比。