文件内容课堂总结

集成学习通过构建并结合多个学习器完成任务，结合策略有简单平均法和加权平均法，结果可通过投票法产生。
集成学习分类包括：Bagging：个体学习器无强依赖关系，可并行生成，代表为随机森林。随机森林具有处理高维数据、给出特征重要性、并行化快、可可视化等优点。
 Boosting：个体学习器有强依赖关系，需串行生成（如AdaBoost），通过调整数据权重提升模型性能。
 Stacking：聚合多个分类或回归模型，分阶段进行。
 神经网络相关
感知机（1957年提出）用于二分类，但只能表示线性可分空间。多层感知机通过隐藏层和激活函数（如ReLU、Sigmoid、Tanh）解决非线性问题。
关键概念：
 使用Softmax处理多分类。 
评估方法：验证数据集、测试数据集、K折交叉验证。
 
问题：过拟合与欠拟合（可通过正则化、数据增强缓解）。
 
图像识别技术与应用
图像分类分为三类境界：
通用多类别图像分类 
子类细粒度图像分类 
实例级图片分类
 
评估指标：混淆矩阵：TP（真正例）、FP（假正例）、TN（真反例）、FN（假反例）。
 
精确率、准确率、召回率、F1-Score：分别衡量不同维度性能。
 
P-R曲线：反映召回率与精确率的关系，曲线面积越大模型越好。
 
多类别混淆矩阵：k分类问题的k×k矩阵，主对角线元素之和为正确分类数。
 
PyTorch工具箱：数据处理：DataLoader（批量加载）、transforms（图像增强与转换）、ImageFolder（按目录读取数据）。
 
可视化：TensorBoard记录训练过程（损失、准确率）、展示网络结构与特征图。
 
神经网络工具箱
核心组件：层、模型、损失函数、优化器。
模型构建：
 
继承nn.Module：自定义网络结构，自动管理参数。
 
nn.Sequential：按顺序堆叠层，支持三种构建方式：直接传入层列表、使用add_module动态添加层、通过OrderedDict有序组织层。
 
模型容器：nn.Sequential、nn.ModuleList、nn.ModuleDict。
训练流程：加载数据、定义模型、选择损失函数与优化器、循环训练、验证与测试、可视化结果。
 
经典网络架构
 
卷积神经网络基础：卷积层（局部感知）、填充（Padding）、步幅（Stride）、多通道处理。
 
经典模型：LeNet（1998）：手写数字识别，由卷积层、池化层和全连接层组成。
 
AlexNet（2012）：引入ReLU、Dropout、数据增强，深度学习里程碑。
 
VGG（2014）：以重复的3×3卷积块构建深度网络（如VGG16、VGG19）。
 
视觉分层理论：从底层边缘/纹理到中层形状/部件再到高层语义对象逐步抽象。
 
理论与优化
 
学习表征：深度学习通过多层非线性变换自动学习层次化特征（浅层依赖人工特征工程）。
 
过拟合与欠拟合：过拟合：模型过度拟合训练数据，泛化能力差。
 
欠拟合：模型未能捕捉数据规律，需增加复杂度。
 
正则化方法：权重衰减（L2正则化）、暂退法（Dropout）。