yychentracy的博客

找到一个决策边界-本身难分的数据-计算复杂度-对SVM进行推导1，large margin选择B，因为只有B才可以区分的好，并且间隔越大，这个泛化能力越好，训练的模型对于新来的数据的适应能力强。2，找一个距离边界最近的点min 对应的是距离边界最小的点，max指的是最大的间隔，约束条件最大为1 ，就令其为1，转换成求倒数的最小值，然后对这个进行拉格朗日求导，这个时候加了也是参数阿尔法，...

第一个是**薛建儒的“无人驾驶的深度学习方法探索与研究”**1，无人车的研究现状2，视觉主导的场景理解3，运动决策4，端到端的感知运动1研究现状16年的特斯拉—18的Uber—waymo（谷歌）经历了辅助驾驶-自动驾驶–自主驾驶无人驾驶就是经历一个感知到理解的过程，感知主要依赖于传感器，然后做一个结构化描述，这个结构化描述就是通过相机-激光-雷达的协同对于场景做一个不变...

这是我第一次看这一章节，所以我的理解应该都是比较浅显的，写这篇博客一是写一下自己学习的感受，好记性不如烂笔头。二是为了与大家交流，希望大家给我指正。降维学习的原因k近邻学习是一种简单的学习方法，就是采用一种监督的学习方法，给定测试样本，基于某种距离找到距离样本最近的k个训练样本。可以采用投票法（选择样本中出现最多的类别作为最终的预测结果），或者采用平均法（就是采用样本中平均值作为预测结果）但是...

1 SSD最后一层由多个尺度的特征图一起组成的然而他最后一层的多尺度是有限的，对于极小的目标识别，SSD就无能为力了。2 FPN特征金字塔网络，不是一味的下采样去提取语义信息来识别物体，而是从顶层的每一层都进行上采样来获取准确的像素位置信息（类似残差网络的挑层连接）因为卷积操作可以高效的提取语义信息，但是存在像素错位的问题，这种上采样还原特征图的方式很好的缓解了像素不准的问题。但是这样...

对偶问题基于SVM求解

常见的机器学习算法1.学习方式常见的算法介绍常见的学习方法应用场景监督学习输入数据成为训练数据，每组训练数据都有一个明确的标识或结果，监督学习就是建立一个学习过程将预测结果与训练数据的实际结果进行比较，不断地调整预测模型，知道预测模型达到一个预期的准确率逻辑回归和反向传递神经网络分类问题和回归问题非监督的学习数据不被标识，学习模型只是为了推断数据的内部结构...

集成学习集成学习就是构建多个学习器来完成学习任务，也称为多分类系统，也就是对多个学习器进行组合，获得比单一学习器显著优越的泛化性能。集成学习分类各自之间存在强依赖关系，必须要串行生成的序列化方法boosting 算法让真个数据集放在一个弱学习器中进行学习，每个样本和弱分类器都有一个初始权重，之后根据训练结果的好坏对权重进行调整，如此重复进行，知道弱学习器达到事先指定的数目T，最...

bagging从原始的训练集中抽取训练集，每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本又放回的抽取，进行k轮抽取，得到k个训练集。每次使用一个训练集得到一个模型，k个训练集就得到k个模型对分类问题将上一步得到的k个模型采用投票的方式得到分类结果，对回归问题，计算上面模型的均值作为最后的结果。总结一下bagging方法1 bagging 通过降低基分类器的方差，改...