0%

发表于 更新于 分类于 阅读次数：
本文字数： 396 阅读时长 ≈ 1 分钟

2019年3月14日 下午6:08
卡尔曼滤波器推导与解析 - 案例与图片 - 李小铭 - 博客园

  1. 这篇文章中翻译了一篇外文，还推荐了一些其他的文章

注：这篇文章我是从高翔的书中总结的。

卡尔曼滤波能解决什么问题？

  1. 状态估计的问题(说白了就是求解一些模型中的未知量而已)

卡尔曼滤波和最小二乘法的区别是啥？

  1. 最大的区别在于他们把同一问题，站在不同的侧重点上，用了不同的方式进行描述
    1. 卡尔曼滤波：
    2. 最小二乘法：
  2. 并且，最小二乘法是仅仅对观测模型进行分析，而卡尔曼滤波是对观测模型和运动模型的共同分析，
    1. 观测模型得到更新方程与后验概率分布
    2. 运动模型得到预测方程与先验概率分布。
  3. 运动模型：指的是我们根据照片，根据几何模型，恢复出相机位姿和地图的模型。
  4. 观测模型：指的是我们在运动模型之后，对相机位姿和地图进行优化的模型

从原理的角度，卡尔曼滤波是如何得到的？

  1. 看书！p240 p106

并且，我从中也学到的数学建模的方法和步骤

数学建模的方法和步骤

发表于 更新于 分类于 阅读次数：
本文字数： 160 阅读时长 ≈ 1 分钟

2019年3月14日 下午5:48
SLAM中的优化理论（一）—— 线性最小二乘 - 李小铭 - 博客园
SLAM中的优化理论（二）- 非线性最小二乘 - 李小铭 - 博客园

非线性优化针对的问题：

  1. M>n表示方程数大于未知量数
  2. 模型表示成矩阵A

什么样的问题可以转化为线性优化问题：

  1. 已知：样本
  2. 求：模型
  3. 用两个字概括：拟合

线性与非线性最小二乘的区别：

发表于 更新于 分类于 阅读次数：
本文字数： 189 阅读时长 ≈ 1 分钟

2019年3月12日 上午10:04

Sift特征点的计算步骤其实没啥意思，重要的是理解为什么要以这样复杂的步骤去寻找特征？

  1. 这个里面要理解一个关键的概念：尺度空间
  2. 尺度空间的性质是核心，我们为了满足理论上尺度空间的性质而设计的sift算法。

SIFT算法详解 - zddhub的专栏 - CSDN博客

尺度空间的概念：

[核心]一个图像的尺度空间：

Sift的步骤：

注：都是围绕关键点展开的

高斯模糊：


发表于 更新于 分类于 阅读次数：
本文字数： 232 阅读时长 ≈ 1 分钟

2019年3月12日 下午5:38

对全连接层（fully connected layer）的通俗理解 - Machine Learning with Peppa - CSDN博客

直观的表示：

总体理解：

细节理解：

  1. 需要多少个卷积核才可以产生第一层全连接层？
    1. 关键：我们要把一叠图像通过20次卷积转换成一个数，我们要100个这样的数。
      1. 一叠多少图像：20张图像(最后一层卷积层)
      2. 多少数：100个(第一层全连接层)
      3. 20*100个卷积核
  2. 这些卷积和有多少参数需要学习？
    1. （20*100） * （12 * 12）

发表于 更新于 分类于 阅读次数：
本文字数： 1.3k 阅读时长 ≈ 1 分钟

2019年3月12日 下午2:03

四：总结：【说人话】去【宏观理解】

神经网络难理解的原因以及理解的方法-神经网络理解
网络的宽度和深度-网络的宽度和深度提取不同的特征
RNN->LSTM-RNN-LSTM对比
ML和DL能代替的对象-将度量问题转化为ML_DL
机器学习算法集锦：从贝叶斯到深度学习及各自优缺点-汇总-各类算法优缺点
在机器学习中是如何“训练的”，和深度学习有啥不同？-不同模型的“训练”方式
广义机器学习的整体架构-阶段总结
说说对机器学习的认识-阶段总结
2019年3月4日 上午11:19
目前在机器学习瓶颈
如何设计和评价一个网络结构的好坏
2019年1月10日 下午3:10
不要为了使用ML而使用，要立足于问题
2019年1月10日 下午3:10
如何理解一个网络是如何训练的

一：深度学习：

卷积参数：

卷积核是深度学习自己学习出来的-卷积核是学出来的
TensorFlow strides 参数讨论-代码-strides作用

卷积数学计算的细节：

三维立方体卷积核-三维卷积核
四维卷积的运算法则-四维卷积运算
卷积层输入输出的尺寸-卷积层输入输出的尺寸

激活函数的作用：

激活函数在神经网络中理解-激活函数缘由

全连接层的理解：

对于卷积神经网络中全连接层的理解(有错)-2~n的全连接层
如何使用TensorFlow实现卷积神经网络(参数理解)-卷积网络如果整体看成一个函数之后的参数-第一层全连接层-softmax
全连接层的第一层的作用-第一层全连接层来源
2019年3月12日 下午5:38
全连接层重新整理

loss

loss函数意味着什么-结构性学习-GAN-loss本质

softmax

Softmax可以从两个角度去理解-softmax

训练过程

人工神经网络的训练过程（反向传播的过程）-BP
神经网络(深度学习)中如何训练一条边的权重的-单边权重求解-梯度消失对结果的影响
一个数据，对一个数据的训练流程-代码
batch和全数据集训练的不同-代码-batch
第五课神经网络的程序总结+训练数据的批次-代码-批次batch

二：机器学习

模型的搭建(写代码过程)：经典模型：最重要的概念要明确

Adaboost算法原理的过程中不在害怕公式-adaboost
随机森林-决策树中特征数!=节点数-随机森林-boostraping-bagging
与逻辑回归作对比，再理解SVM-逻辑回归函数是SVM二维的一种核函数
理解模型复杂度-过拟合-正则化之间的关系-模型复杂度-正则化
分类算法之决策树-决策树-连续属性值-多数表决
朴素贝叶斯：-连续特征下的贝叶斯
词袋模型-词袋模型-词频矩阵-TF-IDF
对SVM的再次理解-SVM的二维分类
logistics能够分类的原理-逻辑回归和线性回归对比

AL中各个领域建模的共性-常识

模型的求解(训练过程)：参数求解、损失函数、梯度

交叉熵损失函数和均方误差损失函数-交叉熵是一种损失函数
梯度下降=学习步长=学习率-ada(SGD问题)
求loss最小值为啥求导数不行？-梯度下降的缘由
调参意味着什么（超参数）-超参数
说说对正则化项的理解-正则化项

三：特征工程（数据）

为啥同样是HOG算法，但是效果天壤之别-特征工程的重要性
归一化概念-归一化的理解
对特征处理的一点点理解-特征工程
对数据的认识-数据本身

发表于 更新于 分类于 阅读次数：
本文字数： 112 阅读时长 ≈ 1 分钟

2019年3月11日 下午5:03

几何模型：

  1. 像SFM就是一个典型的数学模型

生活模型：

生活模型：其实就是一个对生活的经验进行观察总结，最后数学建模的过程(人性、生活经验等很多都可以建模)

  1. 概率与统计
    1. 贝叶斯(条件概率)模型。
  2. 信息论
    1. 熵

发表于 更新于 分类于 阅读次数：
本文字数： 110 阅读时长 ≈ 1 分钟

2019年3月11日 下午5:01

  1. 我们知道深度学习是端对端的，他不需要进行特征工程这一步骤，特征工程和分类都由这个网络来完成
  2. 那么，我们其实可以把所有的隐藏层都理解为是提取特征点的过程，只不过每个隐藏层提取特征的粒度不一样。