水很深的深度学习

人工智能简介

人工只能分为3类，1弱人工智能 2强人工智能 3超级人工智能

机器学习定义：从已知数据获得规律，利用规律去对未知数据进行预测。

机器学习可以分为有监督学习，无监督学习（K-means，PCA），强化学习，自己感觉无监督可以省很多注释，节省很多标注或者人工

具体知名的任务看过吴恩达课程，没看完，希望继续打卡学习

深度学习定义：一般是训练多层网络对位置数据进行分类和回归

自己感兴趣的领域：物体检测和图像分割

数学基础

张量 标量是0阶张量，矢量是一阶张量，矩阵是二阶张量，三维及以上数组成为张量（如图片）

共轭转置：把矩阵转置后，再把每一个数变为共轭复数，用H表示

机器学习常见的矩阵分解：特征分解和奇异值分解

多变量概率分布：条件概率和联合概率，

常用统计量：方差用来平衡随机变量和数学期望之间偏离程度，协方差衡量两个随机变量X和Y总体误差

熵:衡量一个系统稳定程度，一个系统所有变量信息量的期望

了解熵为啥用Log计算，

1 信息量化遵循非负

2 发生概率为1，信息量为0

3 两件事情发生是独立的，一起发生时我们获得信息是两者之和

4 信息的度量应该是概率的函数，函数最好是单调连续

Ln X符合要求，

自己不清楚的奇异值分解

在了解奇异值分解前，先了解了特征向量和特征值，特征值分解针对于方阵，奇异值分解（SVD）分解任意矩阵，

最小二乘，最小华误差平方和寻找匹配数据的最佳函数。