作者：Gianluca Malato
deephub翻译组：刘欣然
当今世界正在与一个新的敌人作斗争，那就是Covid-19病毒。
该病毒自首次在中国出现以来，在世界范围内迅速传播。不幸的是，意大利的Covid-19感染人数是欧洲最高的，为19人。我们是西方世界第一个面对这个新敌人的国家
CVPR 2020 共收录 1470篇文章，根据当前的公布情况，人工智能学社整理了以下约100篇，分享给读者。
代码开源情况：详见每篇注释，当前共15篇开源。(持续更新中，可关注了解)。
算法主要领域：图像与视频处理，图像分类&检测&分割、视觉目标跟踪、视频内容分析、人体姿
目录
图像与视频图像处理
图像分类
目标检测与分割
图像超分辨重建
图像恢复与增强
图像问答和描述
图像与视频检索
视频内容分析
本教程通过自包含的例子介绍 PyTorch 的基本概念。
要查看格式更加优美的图文并茂的教程，请移步：http://studyai.com/pytorch-1.4/beginner/pytorch_with_examples.html
PyTorch的核心是提供了两个主要特性:
n维Ten
CACE全称Compiler Average Casual Effect或者Local Average Treatment Effect。在观测数据中的应用需要和Instrument Variable结合来看，这里我们只讨论CACE的框架给随机AB实验提供的一些learning。你碰到过以
摘要：本文主要目的是梳理集成学习的知识体系
一、什么是集成学习？
面对一个机器学习问题，我们一般有两种方案：
1）训练不同的模型，选取一个效果最好的模型作为解决方案，进行重点调参优化
2）训练多个模型，可能每一个模型并不是最优的，但是综合考虑所有模型的输出结果，就会得到较好的最终结果
一、背景
网上有很多排序算法的总结，整理的一目了然，惹人喜爱，但关于决策树的相关博文，普遍存在以下问题
1）归纳程度不足，深度不够
2）总结点不足，有些疑问找不到答案
3）照抄现有书籍上的公式和推导过程
于是想到自己整理一篇关于决策树的文章，同时也加深自己的理解
二、正文
首先，不说话
求全局最小点。
每次随机出一个新解。如果这个解更优，则采纳它；否则以一定概率采纳它。
设这个新的解与上一个解的差为ΔE，温度为T，k 为一个随机数，离子趋于平衡的概率（即可采纳的概率）为: [P_k=e^{-frac{Delta E}{kT}}]
可见，温度T越高，被采纳的概率也就越大。
变分推断与变分自编码器
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
1. 变分推断
2. 变分自编码器
3. 参考文献
[1] 变分贝叶斯 - 凯鲁嘎吉 - 博客园
[2] 邱锡鹏, 神经网络与深度学习[M]. 201
OpenCV中Mat的基本用法：创建、复制
一、Mat类的创建：
1.方法一：
通过读入一张图像，直接将其转换成Mat对象。
1 Mat image = imread("test.jpg");
2
3 Mat image = imread("F:\test.jpg");
其中，imre
是正在开发的中的产品，和现在的视听类AI大不相同。部分技术瓶颈已经突破，其他正在解决目标：1. 通用化的“机器大脑”2. 实现机器的“自主决策”和“自主操控”3. 完成机器从“感知”到“认知”的进化4. 降低成本（芯片、电力、人力），全域部署使用（云端、边缘计算、终端）手段：1.依托LAX
获取Scikit-Learn项目的源代码
无论是在windows还是Linux上，直接使用Git克隆项目即可，克隆之前需要把官方的项目Fork到自己的GitHub仓库。项目地址：https://github.com/scikit-learn/scikit-learn.git
研读源码的工具
什么是卷积神经网络
以下解释来源于ujjwalkarn的博客：
卷积神经网络（ConvNets 或者 CNNs）属于神经网络的范畴，在图像识别和分类领域具有高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。
在上图中，卷积神经网络可以识别场景，
注：以下内容为本人学习心得，可能会存在不准确，有误导大家的可能。请酌情参考，感谢！
对于一个回归问题，可以使用MSE、RMSE、MAE、R方
对于一个分类问题，可以使用分类精准度（实际上，分类精准度是存在陷阱的）
分类准确度够用么？不够
若某事件产生概率为 0.1%，若某算
上一章主要描述了ID3算法的的原理，它是以信息熵为度量，用于决策树节点的属性选择，每次优选信息量最多的属性，以构造一颗熵值下降最快的决策树，到叶子节点处的熵值为0，此时每个叶子节点对应的实例集中的实例属于同一类。理想的决策树有三种：1.叶子节点数最少2.叶子加点深度最小3.叶子节点数最少且
决策树 是表示基于特征对实例进行分类的树形结构
从给定的训练数据集中，依据特征选择的准则，递归的选择最优划分特征，并根据此特征将训练数据进行分割，使得各子数据集有一个最好的分类的过程。
决策树算法3要素：
&#
什么是剪枝？
剪枝是指将一颗子树的子节点全部删掉，根节点作为叶子节点，以下图为例：
为甚么要剪枝？
决策树是充分考虑了所有的数据点而生成的复杂树，有可能出现过拟合的情况，决策树越复杂，过拟合的程度会越高。&#
踩坑内容包含以下
feature_column的输入输出类型，用一个数据集给出demo
feature_column接estimator
feature_column接Keras
feature_column 输入输出类型
输入输出类型
feature_column输入可以是原始特征的列名
深度学习其本质是优化所有权重的值，使其达到一个最优解的状态，这其中，需要更新权重的层包括卷积层、BN层和FC层等。在最优化中，权重的初始化是得到最优解的重要步骤。如果权重初始化不恰当，则可能会导致模型陷入局部最优解，导致模型预测效果不理想，甚至使损失函数震荡，模型不收敛。而且，使用不同的权
目录
导读
brief introductioninformation
details
entropyinformation gain
information gain-r
客服
