机器学习 - 4

分类问题：SVM：


回归问题：kernel函数的选取：
线性kerl
多项式kerl
高斯kerl






高维到低维：
特征更少，表达更简单。
1、样本量
2、维度爆炸
3、性能考虑




图像技术：
人工智能具备视觉能力
图像的特征：
最直接的想法：计算像素的相似性。
除了像素的表达，可能还有更多的表达


SIFT特征：（分类问题）
    使用视觉不变的局部特征标定物体。
纹理：特征点与周围点的梯度变化。
考虑四个因素：遮挡、位置、尺度、方向。
特征点的比较，而不是像素点的比较。
不依赖数据，视觉规律的抽象。
不适用柔和渐变的图像边缘平滑
适用视觉相似而不是语义相似

CNN特征：卷积神经网络（分类问题）
DNN：传统神经网络
    语义识别（多层高级的组合结果）
分类器：包含更好的语义特征
不同任务有不同功能神经网络，相互之间可以转换。
视觉信号的处理是分层的，从初级到高级。
卷积：局部视野，参数共享。
池化：层层抽象，更关键的信息。
存在有效的设计经验，但缺少证明。
暗合人类处理图像的过程。
卷积核=自学习的滤波器（时间函数，权重的计算）。