《目标检测蓝皮书》第1篇 机器学习基础

文章目录

• 第1篇机器学习基础
• • 1. 张量的概念及示例
  • • 1.1 张量概念
    • 1.2 张量代码示例
    • 1.3 张量的具体应用示例
  • 2. 机器学习的学习方式
  • • 2.1 监督学习
    • • 2.1.1 常见的监督学习算法
    • 2.2 无监督学习
    • • 2.2.1 常见的无监督学习算法
    • 2.3 半监督学习
    • 2.4 强化学习
  • 3. 机器学习分类和回归
  • • 3.1 常见分类算法的分类
    • 3.2 常见回归算法的分类
    • 3.3 机器学习分类回归术语表
  • 4. 损失函数
  • • 4.1 什么是损失函数
    • 4.2 损失函数的作用
    • 4.3 常用的损失函数
    • • 4.3.1 0-1损失函数
      • 4.3.2 均方差损失函数 (MSE)
      • 4.3.3 绝对值损失函数 (L1 loss)
      • 4.3.4 平方损失函数 (L2 loss)
      • 4.3.5 对数损失函数 (二元交叉熵损失函数)
      • 4.3.6 交叉熵损失函数 (Cross-entropy loss)
      • 4.3.7 平均绝对误差 (MAE)
      • 4.3.8 指数损失函数
  • 5. 随机梯度下降
  • • 5.1 什么是梯度下降？
    • 5.2 梯度下降的优缺点
    • 5.3 常见的梯度下降算法有哪些？
  • 6. 模型评估
  • • 6.1 模型评估常用方法
    • 6.2 误差、偏差和方差
    • 6.3 经验误差与泛化误差
    • 6.4 过拟合与欠拟合
    • 6.5 如何解决过拟合与欠拟合
    • 6.6 什么是交叉验证？
    • 6.7 k折交叉验证
    • 6.8 混淆矩阵
    • 6.11 PR曲线
    • 6.12 ROC曲线
    • 6.13 模型有哪些比较检验方法
    • 6.14 为什么使用标准差
    • 6.15 类别不平衡产生原因
    • 6.16 常见的类别不平衡问题解决方法
    • 6.17 评价指标选择案例
  • 参考文献