学习深度学习： 机器学习是实现深度学习的一种技术，机器学习是实现人工智能的一种方法。 人工智能包括机器学习，机器学习包括深度学习。
数据集： 三部分： 训练集：测试集：验证集=7：2：1
在训练之前对数据做特征工程。（计算机没法对数值以外的内容做处理，所以只好做特征工程来将其他内容处理为数值，即数值预处理，文本预处理，图像预处理）
记录错误：
1.代码中的路径中用\\，在文件管理器之中用\
如何从百度上爬取图片：
View Code
如何在pycharm中查看文件运行的位置：
EDIT->COPY PATH
如何给图片打上标记：Make Sense
使用vscode上的GUI进行版本控制，比起直接使用git bash命令行简单了不是一点半点啊！
主要的操作有：add,从工作区到暂存区；commit从暂存区到本地仓库；push从本地仓库到远程仓库；pull从远程仓库到本地仓库。
使用yolov5进行目标检测：
教程保姆式yolov5教程，训练你自己的数据集 - 知乎 (zhihu.com)
标记数据集使用昨天笔记中的makesence.ai，其中训练集train8：验证机val2.
python虚拟环境：在anaconda目录下的envs中
深度学习：
CNN,卷积神经网络，convolutional nerual network.
RNN,循环神经网络，recurrent nerual network.
结构化数据：数字等。常被用在手机上的广告推送，视频推荐上。
非结构化数据：图片，音频等。比如识别一只猫什么的。
如何使电脑在锁屏后后台依然保持运行：
window+r->control->硬件和声音->电源选项->选择关闭显示器的时间
feature engineer特征工程
为什么深度学习这些年才兴起呢？很重要的一个原因是数据的规模，硬件上相机，录音机的普及使得我们可以获取更多的数据；其次是算法和硬件的计算速度等等。
机器学习的目的是找到一个函数来拟合x-y之间的关系。
supervised learning监督学习，用已经打上label的数据训练。
self-supervised learning自监督学习。将许多没有label的数据进行pre-train做好准备，由此可以完成downstream task下游任务。
pre-train model (fundation modle) vs downstream task
BERT模型：3,4000,0000多个参数。是一个起点。
generative adversarial network对抗生成网络：原本x-y是成对的；通过GAN可以将unpaired未配对的x,y进行训练。
reinforcement learning强化学习，针对人类也不会处理的数据，比如下围棋，只知道赢了就是好，但不知道怎么下。
anomaly detection异常检测：让机器具备我不知道的能力（不懂的，也不要乱说）。
explainable AI可解释性AI，解释为什么数据分类可信,比如李宏毅的宝可梦和数码宝贝分类器之机器什么都没学到。
标签：机器,训练,仓库,学习,深度,数据 来源： https://www.cnblogs.com/-ark/p/16555840.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。