提升树和梯度提升树

​ 集成学习主要分为boosting、bagging、stacking，随机森林属于bagging，而本文介绍的提升算法属于boosting，同为该类的还有Adaboost。提升方法实际采用加法模型（基函数的线性组合）与前向分布算法。

​ 注：阅读前请熟悉CART回归树的构建过程。

摄像机模型与标定

参考：计算机视觉，鲁鹏，北京邮电大学。https://www.bilibili.com/video/BV1nz4y197Qv

课件：https://gitee.com/cv-xueba/A01_cvclass_basic

支持向量机

给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个$\{+1,-1\}$，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。除了进行线性分类之外，SVM还可以使用所谓的核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中。

奇异值分解

注意：我们现在只讨论实矩阵的奇异值矩阵的分解。即给定矩阵 $A \in \mathbb{R}^{m\times n}$。

日常刷题记录。

梯度下降（线性回归为例）

归一化和标准化

​ 注：本文内容转载自:https://www.jianshu.com/p/4c3081d40ca6

图像分割与目标检测

名词解释

• 语义分割：像素级分类，给定一张含有一个人、两条狗、三只猫的图像，语义分割需要正确的将背景分为一类，两条狗分为一类，三只猫分为一类。
• 实例分割：还是上面的那张图片，实例分割不仅需要分出猫、狗、人以及背景，还要分出猫1、2、3，狗1、2，以及人和背景。

多元高斯及其极大似然估计

参考：https://blog.csdn.net/Joyliness/article/details/80097491

动态规划（二）

再列举一些经典的动态规划习题。