python下不同深度学习环境的创建.doc

关于以下内容的教程和详细步骤：在Anaconda的envs目录下管理并安装多个不同版本的深度学习环境tensorflow和pytorch，不同环境下安装不同版本的cuda（含操作截图和资源链接）。

CodeBlocks及Opencv的呕血搭建历程.docx

文档里面包括codeblocks17.12+opencv3.4.0的安装教程和配置过程中遇到的常见问题的解决办法！另外还包括VisualStudio2019Community版本和Opencv3.4.0的安装过程指导！

以windows上离线安装opencv为例.docx

Windows下，在Anaconda3中安装其他想要的软件包，如opencv，更高版本的numpy等。

基于深度学习的语义分割经典模型.pptx

“语义分割”处理的是像素级分类问题，是计算机视觉中的基本任务，在自动驾驶、地物检测以及医疗辅助等许多领域，有着巨大的应用价值。常见的基于深度神经网络的语义分割模型，有U-Net，SegNet，PSPNet，以及DeepLab系列，（含论文出处和代码链接）。后续还将进一步整理完善哟！

高级人工智能-期末复习重点.docx

人工智能的三大学派：符号主义，联结主义，行为主义。搜索，遗传算法，多层感知机(MLP)，BP算法，Hopfield 网络，径向基网络，Boltzmann机（BM），深度神经网络（DNN），自动编码器（Auto Encoder），Deep Belief Networks(DBN)，Deep Boltzmann Machine(DBM)，Deep Learning for Image，Deep Learning for Sequence，RNN，LSTM，GAN，消解（归结）原理，一阶谓词逻辑，一阶逻辑-推演，KB语义网络，模糊逻辑。田忌赛马，格子问题，传教士、蚁群算法。

模式识别期末复习资料（试卷+PPT内容精选+考点重点归纳总结）.zip

重点： 感知器，（批处理算法，改进）；如何做多类分类（一对多，多对一），svm；反向传播算法（优缺点）；卷积神经网络（如何构造，怎么解释，自组织映射的原理，径向基函数也看看）；RNN，STLM作为了解；聚类：如何从混合密度估计到kmeans；准则；挑战性问题；层次聚类；谱聚类（原理，写出一种算法，基本计算过程）。强调问题的描述！！建模！！有无标签，原理（准则，如反向传播-误差传播），任务。adaboost的原理，基本智能过程，为什么有效（最大margin算法-支持向量机）。adaboost那节课的重点是模型选择的原则，分类器集成的基本方法，以及adaboost的原理及其训练的基本计算步骤。

模式识别作业答案.docx

由15个样本组成的贷款申请训练数据，包括四个特征（年龄，有无工作，有无房屋，信贷情况），最后一列是类别，表示是否同意其贷款。（1）计算所有特征对上表中数据集的信息增益；（2）用ID3算法建立决策树。用伪代码描述一种决策树剪枝的方法。预剪枝，后剪枝两类。给出PCA算法的计算过程。样本降维。

模式识别（模型选择，SVM，分类器）作业解答+代码.docx

Adaboost算法的设计思想。从机器学习的角度简述模型选择的基本原则。丑小鸭定理；Occam剃刀原理；最小描述长度定理。简述分类器集成的基本方法。推导Hard-Margin SVM的优化目标。解释Hinge Loss在SVM中的意义。编程：从MNIST数据集中选择两类，对其进行SVM分类，可调用现有的SVM工具利用sklearn库进行svm训练MNIST数据集，准确率可以达到90%以上。

模式识别作业.docx

混合高斯密度函数估计。K-Means聚类算法。谱聚类算法（经典算法、Shi算法和Ng算法）。影响聚类性能的因素。证明：对于平方误差和准则，第三种划分最好；若采用类内散度矩阵的行列式最小准则，则前两种划分较好。

模式识别作业-习题解答+代码.docx

反向传播框架下推导学习规则。总结BP算法。描述自组织算法的计算步骤，给出训练算法的框图。指出卷积神经网络需要计算的权重数量；相对于全连接和非权值共享，所减少的权重数量。编写两个通用的三层前向神经网络反向传播算法程序，一个采用批量方式更新权重，另一个采用单样本方式更新权重。隐含层不同结点数目对训练精度的影响；观察不同的梯度更新步长对训练的影响，并给出一些描述或解释。