之前在吴恩达的课程上接触到了YOLO的原理及简单实现，上一周对YOLO算法进行了学习，现将个人的学习心得及学习结果记录如下。1.YOLO简介： 人类视觉系统快速且精准，只需瞄一眼（You Only Look Once）即可识别图像中物品及其位置。作者用了You Only Look Once的首字母YOLO来表示其算法，相当有趣。YOL
HashHash散列表(Hash Table)概述散列函数散列冲突复杂度分析工程应用面试实战亚马逊，微软最近面试题，242. 有效的字母异位词腾讯，高盛集团最近面试题，49. 字母异位词分组快慢指针解决链表问题876链表的中间节点剑指 Offer 22. 链表中倒数第k个节点234. 回文链表hash算法的工程应用1、哈希算法1.1、定义及要求应用场景数据加密唯一ID密码校验密码加盐（Salt）
YOLO系列的算法实现库YOLOU，此处的“U”意为“United”的意思，主要是为了学习而搭建的YOLO学习库，也借此向前辈们致敬，希望不被骂
YOLO是什么？它是One-stage目标检测的代表，整个框架非常简单。与RCNN算法不一样，是以不同方式处理对象检测。YOLO算法的最大优点就是速度极快，每秒可处理45帧，也能够理解一般的对象表示。从个人学习来看：优秀的计算机视觉工程师，目标检测的学习避免不了，而目标检测的核心就是YOLO。YOLO系列也一直在发展，对于它的学习迫在眉睫。从职业发展来看：YOLO一直是应用很广的主流算法之一，也是
LBP原理介绍以及算法实现(局部二值模式)
[url][/url]
[url][/url]LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。
原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大
导语 | 召回模块面对几百上千万的推荐池物料规模，候选集十分庞大。由于后续有排序模块作为保障，故不需要十分准确，但必须保证不要遗漏和低延迟。目前主要通过多路召回来实现，一方面各路可以并行计算，另一方面取长补短。召回通路主要有非个性化和个性化两大类。在上篇《超强指南！推荐算法架构——重排》中我们结合算法架构重排进行解读分析，本篇将深入召回这个模块进行阐述。一、推荐算法总体架构（一
RetinaNet算法笔记1.核心思想1.1 focal loss损失1.2 简单的网络结构2.网络结构2.1 backbone网络2.2 FPN网络2.3 head网络2.3.1 分类子网络2.3.2 回归子网络3.损失函数计算3.1 anchor及正负样本分配3.1.1 anchor的基础尺寸、长宽比、尺度3.1.2 正负样本分配3.2 边界框回归损失函数3.3 focal loss分类损失
0. 前言之前上模式识别课程的时候，老师也讲过 MLP 的 BP 算法， 但是 ppt 过得太快，只有一个大概印象。后来课下自己也尝试看了一下 stanford
deep learning 的 wiki， 还是感觉似懂非懂，不能形成一个直观的思路。趁着这个机会，我再次 revisit 一下。本文旨在说明对 BP 算法的直观印象，以便迅速写出代码，具体偏理论的链式法则可以参考我
1.1 读懂什么是DL深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 深度学习其实是一种机器学习的算法：神经网络，也就是一个复杂的 f函数了。它的特点是可以不断的叠加层数。每增加一层，其实也就是就多套了一层函数。
转载
2023-07-21 17:34:31
138阅读
SURF是对SIFT的改进，相对于SIFT，主要优点是速度更快，更适合做实时特征检查。 一、SURF原理： 相对于SIFT，SUFT采用Hssian算法检测关键点，很大程度上提高了程序的运行速度，同时，在尺度空间的构建上，SIFT通过改变高斯卷积核的大小，构建不同的组，下文进行详细介绍。 二、SURF的实现： 与SIFT步骤相同，可分为四步：尺度空间构建和极值检
人脸识别LBPH算法 人脸识别是指将一个需要识别的人脸和人脸库中的某个人脸对应起来（类似于指纹识别），目的是完成识别功能，该术语需要和人脸检测进行区分，人脸检测是在一张图片中把人脸定位出来，完成的是搜寻的功能。1.LBPH算法介绍原理图2.LBP算子 原始的LBP算子定义为在3*3的窗口内，以窗
LightGBM是Boosting算法的一种，与GBDT、XGBOOST是属于同一类算法，很多情况下可能会需要lightGBM与GBDT、xgb进行比较。这里花点时间简单比较一下：一、GBDT GBDT是通过使用回归树来构建每一个弱分类器，（具体为啥使用回归树的原因是因为GBDT是由于每次迭代都是拟合上一颗树的残差（一阶梯度且是负梯度），最后所有的树结果求和即使最后结果。只有回归树才可以实现求和
1、NSGA-II算法原理NSGA-II算法全称非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm II， NSGA-II）。该算法是由 NSGA 改进而来的，用于解决复杂的、多目标优化问题。NSGA-II在NSGA的基础上引入了非支配排序、拥挤度、拥挤度比较算子和精英策略。下面将详细介绍非支配排序、拥挤度、拥挤度比较算子和精英策略三种方法。(1
1. Prophet简介Facebook 在2017年开源了一个叫fbprophet的时间序列预测的算法，Facebook 所提供的 prophet 算法Prophet是Facebook发布的基于可分解（趋势+季节+节假日）模型的开源库。该算法支持自定义季节和节假日，解决了像春节、618和双十一这种周期性节假日的指标预测难题。prophet不仅可以处理时间序列存在一些异常值的情况，也可以
现如今，大数据越来越火热，在大数据火热的同时，也诞生了很多关于大数据的热词。需要告诉大家的是，大数据中的热词都是从以前的基础技术经过发展形成的，虽然内容不是新颖的，但是只有掌握了这些知识我们能够更好的应对大数据处理的工作，下面我们就给大家介绍一下大数据中的算法和深度学习。1.深度学习当我们看到深度学习这个词的时候，我们可能想到的就是进一步的学习，其实并不是这样的，深度学习的概念源于人工神经网络的研
转载
2023-07-21 17:34:10
225阅读
简单来说，随机森林就是Bagging+决策树的组合（此处一般使用CART树）。即由很多独立的决策树组成的一个森林，因为每棵树之间相互独立，故而在最终模型组合时，每棵树的权重相等，即通过投票的方式决定最终的分类结果。随机森林算法主要过程：1、样本集的选择。 假设原始样本集总共有N个样例，则每轮从原始样本集中通过Bootstraping（有放回抽样）的方式抽取N个样例，得到一个大小为N的训练集。在原
1.1.1深度学习概念
深度学习利用多层神经网络结构，从大数据中学习现实世界中各类事务能直接被用于计算机计算的表示形式，被认为是智能机器可能的“大脑结构”。
简单的说，深度学习，就是使用多层神经网络来进行机器学习。
神经网络，它是一个带参数的函数，通过调整参数，可以拟合不同的函数。
原创
2016-05-26 22:01:43
127阅读
深度学习常见算法的介绍好书推荐深度学习算法实践.pdf:http://www.notescloud.top/cloudSearch/detail?id=2355很多人都有误解，以为深度学习比机器学习先进。其实深度学习是机器学习的一个分支。可以理解为具有多层结构的模型。具体的话，深度学习是机器学习中的具有深层结构的神经网络算法，即机器学习>神经网络算法>深度神经网络（深度学习）。
关于深
转载
2023-06-02 19:50:26
147阅读
基本概念拟合：拟合问题的目标是寻求一个函数，使得该曲线在某一准则下与所有的数据点最为接近，即曲线拟合的最好。拟合的目的是把握事物的发展方向，对事物的发展起到预测作用。拟合和插值的区别：拟合不需要曲线经过所有给定的点，拟合的结果是得到一条确定的曲线，而插值算法得到的多项式需要经过所有的样本点，但如果样本点太多，那么多项式的次数过高，会造成龙格现象。龙格现象：在计算方法中，有利用多项式对某一函数的近似
转载
2023-09-24 19:39:11
30阅读
机器学习的算法分类(1) 监督式学习：为算法提供训练数据，数据中包含每个示例的“正确答案”；例如，一个检测信用卡欺诈的监督学习算法接受一组记录的交易作为输入，对于每笔交易，训练数据都将包含一个表明它是否存在欺诈的标记。 (2) 无监督学习：该算法在训练数据中寻找结构，比如寻找哪些示例彼此类似，并将它们分组到各个集群中。深度学习(Deep Learning)是一种机器
转载
2023-09-29 16:45:19
90阅读
