本文仅供学习使用（本章内容与优化方法、凸规划等理论相关，较为简单，相关公式不做具体展开） 梯度下降法Ch04 1. 梯度下降法——求θ1.1 随机梯度下降算法(SGD)1.2 批量梯度下降算法(BGD)1.3 小批量梯度下降法(MBGD)1.4 调优策略 2. BGD、SGD、MBGD2.1 代码实现2.2 比较2.1 BGD和SGD算法比较2.2 BGD、SGD、MBGD的区别2

本文仅供学习使用 本章需要提前学习拉格朗日乘子法、KKT条件、原问题与对偶问题（优化方法） 支持向量机（SVM）Ch09-2 1.4 SMO1.5 SVR 2. scitit-learn SVM算法库概述2.1 分类算法——SVC2.2 回归算法 3. 核方法 线性核SVM迄今仍是文本分类的首选技术——若将每个单词作为文本数据的一个属性，则该属性空间维度很高，冗余度

文章目录 1 PCA Downsampling Filtering2 Nearest Neighbors3 – Clustering4 Model Fitting5 Deep Learning with Point Clouds: PointNet PointNet++/26 VoxelNet PointPillars and PointRcnn7 Feature detection8 Fe

本文仅供学习使用（ocr入门包，具体的文字识别需了解其他内容） Python高级——Ch25 cnocr 25. cnocr25.1 几个“简单”的例子25.1.1 信用卡识别25.1.2 文字截图识别 25.2 使用逻辑 25. cnocr 安装：pip install cnocr 调用：from cnocr import CnOcr 利用cnocr进行识别的时

本文仅供学习使用 集成学习Ch08-1 1. 集成学习(Ensemble Learning)1.1 Bagging方法——过拟合（方差）1.1.1 训练过程1.1.2 预测过程1.1.3 代码实现1.1.4 subagging 1.2 随机森林(Random Forest)1.2.1 Extra Tree1.2.2 Totally Random Trees Embedding(TR

本文仅供学习使用 （线性）回归算法Ch03 1. 回归算法1.1 线性回归1.2 回归算法理性认知1.2.1 线性回归、最大似然估计及二乘法1.2.2 最小二乘法的参数最优解1.2.3 最小二乘法的算例 1.3 目标函数(loss/cost function)1.4 模型1.4.1 多项式拓展——升维（欠拟合）1.4.2 线性回归的过拟合——提前停止1.4.3 Ridge回归1.4.

本文仅供学习使用 K临近算法（KNN）Ch02 1. KNN算法原理1.1 案例分析1.2 KNN三要素1.3 KNN分类预测规则1.4 KNN回归预测规则 2. KNN算法法实现方式2.1 KD Tree2.1.1 KD Tree构建方式2.1.1 KD tree查找最近邻 2.2 KNN参数说明 3. KNN代码3.1 KNN参等权分类3.2 KNN加权分类3.3 KNN训练3.

本文仅供学习使用 Python基础——Ch18~Ch22 18. 正则表达式18.1 re 模块18.1.1 re.match 函数18.1.2 re.search 方法18.1.3 findall 函数 18.2 正则表达式模式18.2.1 正则表达式中的字符18.2.1.1 元字符18.2.1.2 字符转义18.2.1.3 开始与结束字符 18.2.2 字符类18.2.2.1 定

本文仅供学习使用 Python高级——Ch24图像处理OpenCV（24.14~24.23） 24. 图像处理OpenCV24.14 轮廓查找与绘制24.14.1 查找轮廓——cv2.findContours()24.14.2 绘制轮廓——cv2.drawContours()24.14.3 访问轮廓 24.15 轮廓特征属性及应用24.15.1 凸包24.15.2 使用特定形状的轮廓