openmmlab AI实战笔记

1.计算机视觉：

计算机视觉是一门“教”会计算机如何去“看”世界的学科。让计算机具有感知环境的能力，用各种成像设备代替视觉器官作为输入手段，用计算机来代替大脑完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界，并且具有自主适应环境的能力。

2.常见视觉任务：

图像分类、目标检测、语义分割、全景分割（自动驾驶方面）、关键点检测等等

3.机器学习：

机器学习就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。机器学习的基本思路是模仿人类学习行为的过程，如我们在现实中的新问题一般是通过经验归纳，总结规律，从而预测未来的过程。按照学习方式包括以下几种

监督学习：

从有标签的训练数据中学习模型，然后对某个给定的新数据利用模型预测它的标签。如果分类标签精确度越高，则学习模型准确度越高，预测结果越精确。监督学习主要用于回归和分类。

半监督学习：

利用少量标注数据和大量无标注数据进行学习的模式。半监督学习侧重于在有监督的分类算法中加入无标记样本来实现半监督分类。

无监督学习：

从未标注数据中寻找隐含结构的过程。无监督学习主要用于关联分析、聚类和降维。

强化学习：

类似于监督学习，但未使用样本数据进行训练，是是通过不断试错进行学习的模式。

在强化学习中，有两个可以进行交互的对象：智能体和环境，还有四个核心要素：策略、回报函数、价值函数和环境模型，其中环境模型是可选的。

强化学习常用于机器人避障、棋牌类游戏、广告和推荐等应用场景中。