demi的博客

集成学习（ensemble learning）是机器学习中一类学习算法，值训练多个学习器并将它们组合起来使用的方法。这类算法通常在实践中会取得比单个学习器更好的预测结果。

通过卷积和池化等技术可以将图像进行降维，因此，一些研究人员也想办法恢复原分辨率大小的图像，特别是在语义分割领域应用很成熟。通过对一些资料的学习，简单的整理下三种恢复方法，并进行对比。

池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。

特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。

啥是Gamma Correction？什么是在线性空间（Linear Space）中做光照计算？先介绍下啥是Gamma（别急，先看下去，这是解释线性空间的前置知识）。这词儿N多人听说过，而且也被各种滥用。这里只解释游戏即时渲染相关的概念。首先，就是老式CRT显示器的一个问题，给显示器输入的电压和输出的亮度不成线性关系

SGD（Stochastic Gradient Descent）就是最常见的随机梯度下降。向着参数的梯度的负方向改变（梯度方向是增加的方向）。相比于普通SGD，Momentum update在深度网络中收敛更好。

物联网的出现使人们的生活更加智能化，给人们带来了许许多多的便利。但每个硬币都有两面，便利的另一面也同样存在着挑战。

连续特征离散化的基本假设，是默认连续特征不同区间的取值对结果的贡献是不一样的。特征的连续值在不同的区间的重要性是不一样的，所以希望连续特征在不同的区间有不同的权重，实现的方法就是对特征进行划分区间，每个区间为一个新的特征。常用做法，就是先对特征进行排序，然后再按照等频离散化为N个区间。

一个人工智能项目中，最重要的究竟是数据、算法还是处理过程?有人认为，数据就宛如人工智能的汽油，重点应该是干净的数据、数据科学和对数据含义的深刻理解。有些人说，没有来龙去脉的数据是没有意义的，这些数据的来龙去脉可以是其他数据、模型/算法或处理流程。让我们以一种简洁的方式探究这些人工智能的要素，以发现每种视角的优点。

采用 Gamma 校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰......