NEAT简单来说, NEAT 有几个关键步骤,使用 创新号码 (Innovation ID) 对神经网络的 直接编码 (direct coding)根据 innovation ID 进行 交叉配对 (crossover)对 神经元 (node), 神经链接 (link) 进行 基因突变 (mutation)尽量保留 生物多样性 (Speciation) (有些不好的网络说不定突然变异成超厉害的)通

Unet网络，用的不是特别多，16年特别火的一件事，在小目标领域做分割做的相当好，最近的升级版，现在还在用，深度学习往往是越简单的网络用起来效果越好。Unet最早发表论文是在医学领域。本质的思想解决小目标的问题，物体检测和实例分割很复杂。网络结构越简单，越适合小目标，做改性，做升级能玩的就比较多了。**编码解码。**思想和谍战片是一样的，现在用的也很广，在小目标用的很广，95%都是用Unet去做的

Logistic regression在这部分的练习中，你将建立一个逻辑回归模型来预测一个学生是否能进入大学。假设你是一所大学的行政管理人员，你想根据两门考试的结果，来决定每个申请人是否被录取。你有以前申请人的历史数据，可以将其用作逻辑回归训练集。对于每一个训练样本，你有申请人两次测评的分数以及录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。Pre

1 Prepare datasets其中有5000个训练样本，每个样本是20*20像素的数字的灰度图像。每个像素代表一个浮点数，表示该位置的灰度强度。20×20的像素网格被展开成一个400维的向量。在我们的数据矩阵X中，每一个样本都变成了一行，这给了我们一个5000×400矩阵X，每一行都是一个手写数字图像的训练样本,预测手写数字图像1.1 Visualizing the data 可视化数据im

1 Prepare datasets其中有5000个训练样本，每个样本是20*20像素的数字的灰度图像。每个像素代表一个浮点数，表示该位置的灰度强度。20×20的像素网格被展开成一个400维的向量。在我们的数据矩阵X中，每一个样本都变成了一行，这给了我们一个5000×400矩阵X，每一行都是一个手写数字图像的训练样本,预测手写数字图像1.1 Visualizing the data 可视化数据im

1 Support Vector Machines1.1 Prepare datasetsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sb# 更好的可视化封装库from scipy.io import loadmatfrom sklearn import svm'''1.

1 Support Vector Machines1.1 Prepare datasetsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sb# 更好的可视化封装库from scipy.io import loadmatfrom sklearn import svm'''1.

Unet网络，用的不是特别多，16年特别火的一件事，在小目标领域做分割做的相当好，最近的升级版，现在还在用，深度学习往往是越简单的网络用起来效果越好。Unet最早发表论文是在医学领域。本质的思想解决小目标的问题，物体检测和实例分割很复杂。网络结构越简单，越适合小目标，做改性，做升级能玩的就比较多了。**编码解码。**思想和谍战片是一样的，现在用的也很广，在小目标用的很广，95%都是用Unet去做的