Atitit 学习方法 补充 艾龙 著 attilax著 1. Atitit 学习的方法 attilax总结 1 1.1. 2. 基于学习策略的分类 2机械 示教 演绎 类比 解释 归纳 2 1.

Atitit 学习方法  补充 艾龙 著 attilax著

 

1. Atitit 学习的方法 attilax总结 1

1.1. 2. 基于学习策略的分类 2机械 示教 演绎 类比 解释 归纳 2

1.2. 3. 基于所获取知识的表示形式分类 4 2

1.3. 4. 按应用领域分类 6 2

1.4. 5. 综合分类 6归纳学习 分析 类比 联接学习 2

1.5. 6. 学习形式分类 8监督学习 vs非监督学习 3

1.6. 碎片化学习 vs 体系化学习 3

2. otehr 3

2.1. 强化学习(Reinforcement Learning)和深度学习(Deep Learning), 3

2.2. 而迁移学习(Transfer Learning 3

3. 7中学习方法与效果 3

4. 如何学习以及拓展 3

4.1. 学习模式与效果如图 3

4.2. 被动学习   听讲<<阅读<<试听可视化<< demo演示《 4

4.3. 主动学习 讨论 <<实践,<<teach , 4

4.4. 交叉share,共同交流 4

4.5. 找出兴趣点  一个领域的东西,你不可能全部掌握。所以,在整理出脉络后,下一步,就是根据这个过程中的理解,找到自己感兴趣的地方。 4

4.6. 建立联系  如上文所说,学习的奥义就是「联系」。 4

4.7. 每日总结 5

5. 面对大量知识怎么办 5

5.1. 压缩摘要 5

5.2. 体系化 5

6. 三种方法 5

6.1. 需要的地方学期 5

6.2. 概要  ,,细节法 5

6.3. Step by stepy开通\\\ 5

6.4. 1.1 在比较中学习 5

6.5. 1.2 在历史中学习 6

 

 

 

 

  1. Atitit 学习的方法 attilax总结

 

 

1.1. 碎片化学习与整体学习。 2

1.2. 深度学习 2

1.3. 强化学习 2

1.4. 增强学习 2

1.5. 基督学习 vs  非监督学习 2

    1. 2. 基于学习策略的分类 2机械 示教 演绎 类比 解释 归纳

2.1. 1)机械学习 (Rote learning) 2

2.2. 2)示教学习 (Learning from instruction或Learning by being told) 3

2.3. 3)演绎学习 (Learning by deduction) 3

2.4. 4)类比学习 (Learning by analogy) 3

2.5. 5)基于解释的学习 (Explanation-based learning, EBL) 4

2.6. 6)归纳学习 (Learning from induction) 4

    1. 3. 基于所获取知识的表示形式分类 4

3.1. 2)决策树 4

3.2. 3)形式文法 5

3.3. 4)产生式规则 5

3.4. 6)图和网络 5

3.5. 7)框架和模式(schema) 5

3.6. 9)神经网络 5

3.7. 10)多种表示形式的组合 5

    1. 4. 按应用领域分类 6

4.1. 最主要的应用领域有:专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。 6

    1. 5. 综合分类 6归纳学习 分析 类比 联接学习

5.1. 1)经验性归纳学习 (empirical inductive learning) 6

5.2. 2)分析学习(analytic learning) 6

5.3. 3)类比学习 7

5.4. 4)遗传算法(genetic algorithm) 7

5.5. 5)联接学习 7

5.6. 6)增强学习(reinforcement learning) 7

    1. 6. 学习形式分类 8监督学习 vs非监督学习

6.1. 1)监督学习(supervised learning) 8

6.2. 2)非监督学习(unsupervised learning) 8

 

    1. 碎片化学习 vs 体系化学习

 

  1. otehr
    1. 强化学习(Reinforcement Learning)和深度学习(Deep Learning),
    2. 而迁移学习(Transfer Learning

 

  1. 7中学习方法与效果
  2. 如何学习以及拓展

 

    1. 学习模式与效果如图 学习金字塔理论

 

 

    1. 被动学习   听讲<<阅读<<试听可视化<< demo演示《
    2. 主动学习 讨论 <<实践,<<teach ,

 

 

    1. 交叉share,共同交流

 

    1. 找出兴趣点

      一个领域的东西,你不可能全部掌握。所以,在整理出脉络后,下一步,就是根据这个过程中的理解,找到自己感兴趣的地方。

 

    1. 建立联系

      如上文所说,学习的奥义就是「联系」。

 

    1. 每日总结

 

 

  1. 面对大量知识怎么办
    1. 压缩摘要
    2. 体系化

 

  1. 三种方法

 

    1. 需要的地方学期
    2. 概要  ,,细节法
    3. Step by stepy开通\\\

 

 

    1. 1.1 在比较中学习

假设你正在学习一种编程语言 X,并为区分知识要点和非要点而苦恼。这时,如果你开始学习另一种编程语言 Y,这个问题可能就会迎刃而解。因为你开始了解那些因语言不同导致的差异,什么规则是 X 和 Y 共通的,什么又是 X 语言独有的。

多种语言共通的知识才是要点。掌握了这些要点,学习其他语言时才会更加轻松。

 

 

    1. 1.2 在历史中学习

 

理解语言设计者的意图

 

设想你在阅读关于编程语言某种功能的介绍时,脑子里总有一种不够透彻的感觉。这时,你想知道为什么需要这种功能。

 

编程语言也是人创造出来的。知道了语言设计者为解决何种问题而创造了这种语言,以及这种语言经历过怎么样的历史变迁后,慢慢地就能理解为什么需要有这种功能了。

 

 

 

Atitit learn by need 需要的时候学与预先学习知识图谱路线图.docx

Atitit 切入一个领域的方法总结 attilax这里,机器学习为例子.docx

Atitit 学习方法  补充.docx

Atitit 学习方法 -------体系化学习方法 (2).docx

Atitit 学习方法 -------体系化学习方法.docx

Atitit 学习方法 -------体系化学习方法v2.docx

Atitit 学习的几种方法.docx

Atitit 学习的方法 attilax总结.docx

Atitit 教育学 学习法 与教学法   项目式教学法.docx

atitit 碎片化学习 (2).docx

atitit 碎片化学习.docx

Atitit 碎片化学习工具 与 资源.docx

Atitit 预先学习设计还是  到时再说.docx

Atitit.全栈  专家  两种不同的学习模型.docx

atitit.数据挖掘的attilax总结 好像跟个机器学习差不多啊.docx

Atitti 学习笔记.chm 注解 与attilax读后感总结.docx

stu.tt

学习资料包.rar

新建文件夹

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优是准确度较高,缺是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值