初学AI动机与需求
公司最近分配了一个任务，需要对下属红外图像进行图像识别，训练模型，最后保证较高的正确率。
某产品红外图像
用了一天的时间查看了一些案例，发现一种叫 Hog特征 + SVM向量机的方案可以训练出模型。但是由于我之前是做Web后端开发的，没有这种经验，无法深入。所以写下这些笔记记录我关于这个领域的初次学习。
知识图谱
人工智能的知识图谱
这个知识图谱可以帮助我知道我要查找要做的事情需要哪个板块的知识。
分析：
我要完成的事是应该需要卷积神经网络的知识，但已经有了数据提供，所以我需要学的内容包括
线性代数微积分机器学习模式识别神经学习深度学习
资料主要来源网络
高考与机器学习
7分钟带你入门线性代数+微积分
线性代数和微积分的本质
9分钟深度学习入门
吴恩达机器学习课程
吴恩达机器学习图解笔记
吴恩达神经网络和深度学习
吴恩达卷积神经网络
高考过程与机器学习
高考学习过程分析-> 寻找方法
通过不断学习并查看答案并更正方法的这个过程在机器学习中称为监督学习。
人工智能的核心概念理解
搜集数据 -> 训练模型 -> 预测结果 -> 评估结果 -> 修正并继续训练
机器学习主要包括两类：
监督学习是指我们给模型算法一个数据集，并且给定正确的答案，让其在训练时修正模型。
监督学习 - 回归预测
喂养一组数据，训练模型，预测，验证。
无监督学习 - 分类聚合
喂养一组数据，训练模型，投入待分类结果，分类聚合。
关于机器学习的描述章节：
线性代数
线性代数中最基础、最根源的组成部分就是向量（vector）。
线性代数的由来
当变量增多时，我们描述起来变得十分麻烦，所以我们可以使用向量来表示多个变量，从而抽象出一个表示多变量的模型。
线性代数给物理学家和计算机图形程序员提供了一种语言，让他们通过计算机能处理数字来描述并操纵空间。
向量可分为行向量和列向量，实质则是一组数据
计算 0+1， 1+1 ，任何数的计算
代数 与算术不同, 代数不关心结果，之关心变量之间的关系
采用这种理解，即向量即是一个包含一组数据的模型也存在方向
三维以上的向量，也是存在方向，可计算的。
从一维 -> 二维 -> 三维 -> 多维， 维数的增加并不影响它们之间的计算关系。
常数用于缩放向量，实际向量计算就是向量缩放过程
关于线性代数的描述章节:
微积分
微积分是一个关于无限细分与组合的求解方法
求一个⚪的面积，将⚪剪成无数个小⚪，再剪成长条
每条长条的dr追求至无限小，则面积则为 🥧Πr²
很多的其他问题，只要我们可以将其抽象成一个微积分问题（可无限微分后积分的问题），可以对其进行近似求解。
求汽车行驶距离
关于微积分的描述章节：
深度学习
深度学习指的是训练神经网络。
以房屋预测为例，理解神经元
一个神经单元指代的是某个处理逻辑（ReLU函数，Rectified linear unit），数据经过处理后获取预测结果。
如上图，输入 siez X -> ⭕ -> price Y
将神经单元联系起来便是神经网络
用数据 X 喂养这些神经单元，最后能获取到 price Y。
神经网络的一部分神奇之处在于，当你实现它之后，你要做的只是输入𝑥，就能得到输出𝑦。
这输入的特征可能是房屋的大小、卧室的数量、邮政编码和区域的富裕程度。
深度学习的监督学习应用
结构化数据和非结构化数据
从历史经验上看，处理非结构化数据是很难的，与结构化数据比较，让计算机理解非结
构化数据很难，而人类进化得非常善于理解音频信号和图像，文本是一个更近代的发明，但
是人们真的很擅长解读非结构化数据。
神经网络的兴起就是这样最令人兴奋的事情之一，多亏了深度学习和神经网络，计算机现在能更好地解释非结构化数据。
图像应用经常使用卷积神经网络(Convolutional Neural Network, CNN)，这正是这个项目所需要的。
关于深度学习的描述章节：
网友评论