为什么需要数据标注工具（图像）业务场景下如何获取标记数据，数据越多越好吗？什么情况下需要图像增广？a. 图像变换b.Mixupc.GANGAN-Generative adcersarial networks图像变换方法缺陷：图像来自有限集合GAN:“synthetic data”...

强化学习（reinforcement learning）是机器学习的一个重要分支，是一门多领域交叉学科，它的本质是自行解决决策问题，并且能进行连续决策。强化学习有四个主要组成部分∶1.代理（Agent）reward action state2.环境（Environment）3.行动（Action Environment）4.奖励（Reward）简而言之，强化学习是一个让代理在环境中不断尝试各种行动

目录通用场景图像分割1 Pascal VOC数据集2 语义分割2.1 什么是语义分割2.2 语义分割的用处2.3 算法研究阶段2.4 全卷积网络3 FCN-卷积化3.1 FCN-卷积化的降维问题3.2 FCN-反卷积3.3 FCN-卷积/转置卷积的参数关系3.4 上采样的三种实现4 反池化4.1 反池化操作4.2 反卷积与反池化5 FCN-跳层结构5.1 FCN构架图例5.2 使用AlexNet构

目录目标检测（下）1 R-CNN1.1 R-CNN系列的结构1.2 R-FCN结构1.3 R-FCN的位置敏感卷积层1.4 R-FCN的Score map可视化1.5 R-FCN的训练1.6 R-FCN位置敏感的性能2 YOLO v12.1 YOLO v1的优点2.2 YOLO v1 的不足2.3 NMS（非极大值抑制）3 YOLO v23.1 YOLO v2的基础模型3.2 YOLO v2/90

目录朴素贝叶斯（下）2.2 概率类模型的评估指标2.2.1 布里尔分数Brier Score2.2.2 对数似然函数Log Loss2.2.3 可靠性曲线Reliability Curve2.2.4 预测概率的直方图2.2.5 校准可靠性曲线2.3 多项式朴素贝叶斯以及其变化2.3.1 多项式朴素贝叶斯MultinomialNB2.3.2 伯努利朴素贝叶斯BernoulliNB2.3.3 探索贝叶

目录sklearn中的数据预处理和特征工程1 概述1.1 数据预处理与特征工程1.2 sklearn中的数据预处理和特征工程2 数据预处理 Preprocessing & Impute2.1 数据无量纲化2.2 缺失值2.3 处理分类型特征：编码与哑变量2.4 处理连续型特征：二值化与分段3 特征选择 feature_selection3.1 Filter过滤法3.1.1 方差过滤3.1.

目录图像检索1 相似图像检索2 相似颜色检索2.1 算法结构2.2 自编码器2.3 颜色特征提取2.4 颜色特征相似度计算2.4.1 颜色直方图距离2.4.2 色差距离3 相似纹理检索3.1 纹理（texture）3.2 纹理特征3.3 算法结构3.4 Gabor滤波器组4 相似形状检索5 相似局部特征检索图像检索1 相似图像检索2 相似颜色检索2.1 算法结构目标：实现基于人类颜色感知的相似排序

在计算机视觉领域，图像分割指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。工具sklearn:train_test_split随机切分stratification:按正负样本比例、按业务知识切分...

目录朴素贝叶斯（下）2.2 概率类模型的评估指标2.2.1 布里尔分数Brier Score2.2.2 对数似然函数Log Loss2.2.3 可靠性曲线Reliability Curve2.2.4 预测概率的直方图2.2.5 校准可靠性曲线2.3 多项式朴素贝叶斯以及其变化2.3.1 多项式朴素贝叶斯MultinomialNB2.3.2 伯努利朴素贝叶斯BernoulliNB2.3.3 探索贝叶

1CNN原理卷积神经网络主要应用在图像识别领域中，是指非某类网络的集合，其中包含了多种不同类型的结构。 不同网络结构，其性能一般也会有所不同。 通过对CNN几种典型架构的研究，我们可以发现这些网络创造者们极富创意，其中许多架构十分精巧，他们获得了重新引入当今主流几种典型架构的机会。 下面就从卷积神经网络原理开始。所有CNN的最终目的就是将一幅照片变成一个特征向量，而特征向量等于这幅照片的DNA。