机器学习笔记

机器学习与深度学习

什么是机器学习

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
机器学习的两大任务：分类、回归。

分类

基于四种特征的鸟物种分类表：
假定我们可以得到所需的全部特征信息，该如何判断飞入进食器的鸟是不是象牙喙啄木鸟呢？这个任务就是分类。

回归

机器学习的另一项任务是回归，它主要用于预测数值型数据。
例如数据拟合曲线：通过给定数据点的最优拟合曲线。分类和回归都属于监督学习（学习数据的答案已知）。

泛化

机器学习通过学习已有的信息，来对未知的信息进行推断，这个过程称为泛化。

深度学习

深度学习是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层（layer）中进行学习，这些层对应于越来越有意义的表示。
“深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层。数据模型中包含多少层，这被称为模型的深度（depth）。

如何用深度学习进行图像识别

预训练模型

解决上述问题的一个可行方法是，使用专业团队预先训练好的模型，在别人成熟的模型的基础上工作。分为2种情形：

1. 直接使用预训练模型，最简单的方式，但是有局限性，例如，这个模型只能识别猫和狗的话，你想识别马就不行了。
2. 在预训练模型的基础上，使用自己的数据继续训练，这种方式也称为迁移学习。

人脸检测

# -*- coding: utf-8 -*-
import paddlehub as hub

test_img_path = "test_face_detection1.jpg"
# 加载预训练模型
module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
input_dict = {
   "image": [test_img_path]}
# 人脸检测预测
results = module.face_detection(data=input_dict)
for result in results:
    print(result)  # 结果是检测到的脸的矩形信息
# 在图上绘制矩形标注人脸
import matplotlib.pyplot as plt
from PIL import Image, ImageDraw

plt.figure(figsize=(10, 10))  # 设置画布大小
im = Image.open(test_img_path)
draw = ImageDraw.Draw(im