一. 一元线性回归
对于线性回归最简单的就是一元线性回归，我们先拿一元线性回归作为入门的例子，等理解了这个，对于多元线性回归也就好理解了，都是一样的道理（对不起大家字写的不好！）
1.1官方定义
百科的定义：线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一
标签：AI
最近在研究inception模型，将v1到v4版本的论文都研读了一下，这里做一下总结。
这里推荐一下这个GitHub，博主将常见的论文都做了翻译，大家可以参考中文来加深理解。
1.Inception v1
1.1 Introduction
Incep
前言
Face book AI research（FAIR）吴育昕-何恺明联合推出重磅新作Group Normalization（GN），提出使用Group Normalization 替代深度学习里程碑式的工作Batch normalization，本文将从以下三个方面为读者详
Rethinking the Inception Architecture for Computer Vision
论文地址：https://arxiv.org/abs/1512.00567
Abstract
介绍了卷积网络在计算机视觉任务中st
ubuntu下openCV-Ｈaar特征分类器训练
这段时间在学openCV，准备做一个头部检测，但是openCV自带的分类器只有人脸检测的，而且准确度不高，就准备自己训练一个分类器。在网上看了很多的博客，都讲得不是很清楚，而且全是在windows上训练的，对与用习惯linux的我来说
许多二分类任务并不是每个类别都有相同数量的数据，存在着数据分布不平衡的情况。
一个常用的例子是成人收入数据集，它涉及到社交关系、教育水平等个人数据，以此来预测成人的收入水平，判断其是否拥有5万美元/年的个人收入。数据集中个人收入低于5万美元的数据比高于5万美元的数据要明显多一些，存在着一定
手写批量线性回归算法：在Python3中梯度下降方法实现模型训练
作者：Tarun Guptadeephub翻译组：孟翔杰
在这篇文章中，我们将看一个使用NumPy作为数据处理库的Python3编写的程序，来了解如何实现使用梯度下降法的（批量）线性回归。
我将逐步解释代码的工
快速学习如何为XGboost优化超参数！
在过去的几年中，XGBoost被广泛用于表格数据推断，并且赢得了数百个挑战。但是，仅仅通过XGBoost并不能完成完成整的解决方案，同样的模型为什么有些人能获得更好的准确性呢？除了经验方面的差异，还有一个事实，那就是他们优化了超参数！因此，我们今天
在使用conda create 创建新环境或者利用conda install 安装软件包的时候，大部分同学应该都遇到过安装速度慢（主要因为下载速度过慢，或者下载到一半出错的问题）
网上的解决方案通常是将conda改为国内的清华源或者中科大源
但在我的系统下 Miniconda4.8.3
报错信息如下：
Traceback (most recent call last):
File "demo/predict.py", line 8, in <module>
from predictor import COCODemo
File "/home/
人脸检测系统在当今世界中具有巨大的用途，这个系统要求安全性，可访问性和趣味性！今天，我们将建立一个可以在脸上绘制15个关键点的模型。
人脸特征检测模型形成了我们在社交媒体应用程序中看到的各种功能。 您在Instagram上找到的面部过滤器是一个常见的用例。该算法将掩膜（mask
决策树是如何工作的：
图一 图二
将数据根据特征分析，可以分成：根节点（初始节点）、中间节点、叶节点（无再可分节点）。
注：其实根据
当只有几个正样本，你如何分类无标签数据
假设您有一个交易业务数据集。有些交易被标记为欺诈，其余交易被标记为真实交易，因此您需要设计一个模型来区分欺诈交易和真实交易。 假设您有足够的数据和良好的特征，这似乎是一项简单的分类任务。 但是，假设数据集中只有15％的数据被标记，并且标记的样本仅属于
前言
神奇宝贝已经是一个家喻户晓的动画了，我们今天来确认是否可以使用深度学习为他自动创建新的Pokemon。我最终成功地使用了生成对抗网络（GAN）生成了类似Pokemon的图像，但是这个图像看起来并不像神奇宝贝。虽然这个尝试失败了，但是我认为其他人可能会喜欢这个过程，现在把他分享出来。
本文通过文本的挖掘，对人们在冠状病毒锁定期间正在做什么以及他们的感觉进行的探索性和情感分析
随着越来越多的国家宣布在全国范围内关闭，大多数人被要求留在家里隔离。 我们来看看国外的人们在此“关闭”期间如何度过时间以及感觉如何，所以我分析了本文中的一些推文，看看国外友人到底都干什么。
数据获取
引言：
最近开始学习“机器学习”，早就听说祖国宝岛的李宏毅老师的大名，一直没有时间看他的系列课程。今天听了一课，感觉非常棒，通俗易懂，而又能够抓住重点，中间还能加上一些很有趣的例子加深学生的印象。
视频链接（bilibili）：李宏毅机器学习(2017)
另外已经有有心的同学做了速记并更新
2. Network Architecture
网络分为两个部分:第一部分是backbone卷积网络,用于提取整张图的特征;第二部分是head,用于对ROI进行处理,分为两个分支,一个分支用来对box分类和回归,另一部分进行mask预测。
网络的Backbone采用ResNet或者FPN(
前面几篇文章完成了训练端和部署端的环境搭建以及模型的训练，并经过两次模型转化最终将YOLOv3 TINY模型部署在了树莓派上。其实最核心的内容已经完成了，接下来就是一些应用层面的东西了。
树莓派控制马达：
1. 材料硬件：
1.树莓派3B+
2.四个直流电机
3.一个小车底盘+四个车轮（
模型效果：
在上文中，我们制作了数据集，并利用数据集进行了模型的训练，利用静态图片和视频对模型的检测效果进行了检验，发现效果还是不错的。
前两张为静态图片检测，后一张为视频检测效果截图。
上篇文章介绍了如何搭建深度学习环境，在Ubuntu18.04TLS上搭建起了 CUDA：9.0+cuDNN7.0+tensorflow-gpu 1.9 的训练环境。本篇文章将介绍如何制作自己的数据集，并训练模型。
本文训练数据集包括从VOC数据集中提取出6095张人体图片，以及使用Labe
客服
