个人技术分享

K-均值算法(K-means算法)方法:首先选择K个随机的点,称为聚类中心.对于数据集中的,每一个数据,按照距离K个中心点的距离,将其与距离最近的中心点关联起来,与同一个中心点关联的所有点聚成一类PAM(k-中心点算法算法分析：k-中心点算法消除了k-平均算法对孤立点的敏感性；比k-平均算法更健壮。算法分析：k-中心点算法消除了k-平均算法对孤立点的敏感性；比k-平均算法更健壮。

机器学习近年来被大规模应用在各种领域，特别是 NLP 领域。虽然机器学习是门建立在统计和优化上的新兴学科，但是在自然语言处理、数据科学等领域，它却占据着核心的地位。图 1机器学习最初的研究动机是让计算机系统具有人的学习能力以便实现人工智能。因为没有学习能力的系统很难被认为是具有智能的。目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。

神经网络（Neural Networks, NNs）是机器学习的一种重要方法，灵感来源于生物神经系统，由大量互联的节点（称为神经元或单元）组成，通过调整这些节点间的连接权重来学习和表示复杂的非线性关系。传统神经网络包括感知机、Sigmoid神经元，以及更复杂的多层感知器。深度学习是基于深层次的神经网络，通过多层非线性变换从数据中学习特征和模式，通常由输入层、隐藏层和输出层组成，每一层由若干神经元构成，层与层之间通过权重连接；主流的深度学习有卷积神经网络、循环神经网络、生成对抗网络、Transformer等。

多传感器融合技术通过结合不同传感器的优势，提高自动驾驶系统的准确性和鲁棒性。传统方法依赖规则和模型，而现代方法如基于深度学习的视觉和LiDAR融合，通过前融合或目标级融合，实现更高效的数据处理和更准确的目标检测。BEV技术作为前融合的一种，通过虚拟摄像机和空间变换金字塔，有效提高了3D车道检测的性能。

CARLA 使用服务器-客户端架构运行，其中 CARLA 服务器运行模拟并由客户端向其发送指令。客户端代码使用 API 与服务器进行通信。

非常值得学习的一篇文章，几乎把自动驾驶场景下所有的优化都加上了，并且也开源了。和Unisim做了对比，指出Unisim使用lidar指导采样的问题是lidar的垂直FOV有限，高处的东西打不到，使得lidar FOV外的效果不好。

在反向传播过程中，根据输出结果与真实标签之间的误差，计算各层神经元的梯度，并据此更新网络参数。它以其强大的学习能力、高度的适应性和广泛的应用场景，成为了我们解锁智能世界的一把密钥。与传统的神经网络相比，深度神经网络通过增加隐藏层的数量，能够学习更加复杂的数据表示和特征，从而实现更高的识别准确率和更强的泛化能力。而反向传播则是根据输出结果与真实标签之间的误差，通过梯度下降等优化算法调整网络参数，使得网络的输出更加接近真实标签。随着技术的不断发展和应用场景的不断拓展，深度神经网络将会在未来发挥更加重要的作用。

索引与切片

在反向传播过程中，根据输出结果与真实标签之间的误差，计算各层神经元的梯度，并据此更新网络参数。它以其强大的学习能力、高度的适应性和广泛的应用场景，成为了我们解锁智能世界的一把密钥。与传统的神经网络相比，深度神经网络通过增加隐藏层的数量，能够学习更加复杂的数据表示和特征，从而实现更高的识别准确率和更强的泛化能力。而反向传播则是根据输出结果与真实标签之间的误差，通过梯度下降等优化算法调整网络参数，使得网络的输出更加接近真实标签。随着技术的不断发展和应用场景的不断拓展，深度神经网络将会在未来发挥更加重要的作用。

这篇文章是我在组内学术分享报告内容，原应该辅以我的口头报告，但是会议忘记录屏了，就只能添加少量备注以供参考了。另外我也不是CV和图形学专业的，可能也有一些理解不够充分的地方。

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

Semester4机器学习课程复习

数据增强（Data Augmentation）是一种在机器学习领域中常用的技术，特别是在监督学习中。它通过从现有数据集中生成新的、略有变化的数据（这些数据可以用变和不变，也就是绝对和相对的两个方面进行了一个理解，这种理解方向很关键，能够不断地实现一个基础的提升的点，什么绝对，模型是一个绝对的！但是你可以通过这种相对比较绝对的模型实现自己的快速的迭代更新和一个迭代学习和提升）实例来增加可用数据的数量，从而帮助提高模型的泛化能力和性能。

BRNN诞生背景、所解决问题、BRNN的网络结构、BRNN使用领域；DRNN是什么？DRNN的网络结构、DRNN的优缺点。

支持向量机的目标是找到一个最佳的决策边界（或称超平面）来最大限度地分隔不同类别的数据点。对于线性可分的数据，SVM 通过一个线性超平面进行分类；对于线性不可分的数据，SVM 可以通过核方法（Kernel Trick）将数据映射到高维空间，使其在高维空间中线性可分。支持向量机是一种强大的监督学习算法，适用于处理复杂的高维和非线性数据。本文详细介绍了 SVM 的原理、数学公式、应用场景以及 Python 实现。虽然 SVM 在某些方面有其局限性，但通过合理选择参数和核函数，可以在许多实际应用中取得优异的效果。

共轭梯度、局部优化论、有限内存局部优化论。核函数：高斯、线性、多项式、字符串等；2、利用正向传播方法计算所有的输出；4、利用反向传播方法计算所有偏导数；5、利用数值检验方法检验这些偏导数；随机剃度下降法、小批量剃度下降法；6、利用优化算法来最小化代价函数。支持向量机SVM 大间距分类器。3、编写计算代价函数J的代码；非监督算法：聚类、降维算法；正向传播算法、反向传播算法。1、参数的随机初始化；

什么是语料库（Corpus）？说明是分词（Tokenization）？用RNN来构建语言模型的步骤。

因为我们已经看到，长度这个概念，在不同的条件下，对应了不同的基本物理量：在宏观低速条件下它对应的是周期的重复次数，而在微观高速的条件下对应的是频率的差异总量。代表的频差或者周期比率的意义，所以说，确实可以有光速上限，但并不影响“超光速”的实现。只是在“超光速”的前提下，这种周期和频率互为倒数的对称性不再保持。

flyfish