BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

东华大学核密度估计KDE代码第一部分是一个三维的彩色KDE估计图（最好用MATLAB画）；
第二部分是测试图片的运动目标二值图像检测结果（运动员用白色像素，背景用黑色）

给定皮肤镜黑素细胞瘤图像，检测毛发噪声，并修复毛发遮挡部位的信息。
皮肤镜图像毛发去噪，主要包括五个步骤：波谷检测器、阈值分割、区域生长、标记连通域、掩膜恢复重建。

给定皮肤镜黑素细胞瘤图像，检测毛发噪声，并修复毛发遮挡部位的信息。
(1)灰值化：对皮肤镜黑素细胞瘤彩色图像进行灰值化处理，将彩色图像变成灰度格式；
(2)波谷检测器：使用结构元素对给定灰度图像进行形态学灰度闭运算，先膨胀后腐蚀，填充物体内细小空洞，连接邻近物体，再将原图与灰度闭运算得到的图像相减，得到背景色较暗，毛发区域较亮的毛发提取图像；
(3)阈值分割：经过波谷检测后的图像能够基本提取出毛发区域，使用交互式阈值分割，对毛发提取图像进行二值分割，为区域生长制作毛发掩膜做准备；
(4)标记连通域，剔除弱小噪声：用区域生长法提取连通域，并标记毛发区域，统计各连通区域的大小，设定阈值，屏蔽小的连通区域，去除背景中的杂小噪声点，尽可能的少破坏原始图像的信息；
(5)掩膜，恢复原始皮肤信息：将去除噪声后的二值图像作为掩膜，对毛发区域进行恢复重建。

集合了卷积神经网络从神经网络分类Alnex,GoogleNetv1-v4,VGG,Resnet,NetworkinNetwork论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3,

Python编程opencv图像检测缺陷，带有图片例程，内容清晰.

火焰图集合和训练好的yolo_tiny火焰检测weights，经过处理成voc数据集，而且经过训练，可以实现yolo-tiny的图像检测。

机器视觉汽车图像检测数据集Computervisioncardatasetforopencvandmachinelearning》byVladaKucera。

sar图像检测提取程序

Facebook发布，基于PyTorch1.0的高性能图像检测/分割实现，比Detectron快2倍

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。