常用机器学习算法简单介绍
一、分类
1.1 K-最近邻算法（K-NN）
存在一个样本数据集合，也称作训练样本集，并且样本集中的每个数据都存在标签，即我们知道样本集中每一数据与所述分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，选择样本数据集中的前k个相似的数据。最后选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
伪代码:
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增依次排序；
（3）选取与当前点距离最小的k个点；
（4）确定前k个点所在类别的出现频率；
（5）返回前k个点出现频率最高的类别作为当前点的预测分类。
如图，平面有3个样本集将空间分为三类，输入新的数据点，使用欧拉距离来计算当前点与已知类别数据集中的点之间的距离，并选择K=5作为参数。在距离最近的5个特征点中，有4个点属于类别w1,1个点属于类别w2，因此分类器将输入点划分至w1类。
1.2 决策树
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部节点和叶节点，内部节点表示一个特征或属性，叶节点表示一个类。分类的时候，从根节点开始，对实例的某一个特征进行测试，根据测试结果，将实例分配到其子结点；此时，每一个子结点对应着该特征的一个取值。如此递归向下移动，直至达到叶结点，最后将实例分配到叶结点的类中。如下图所示流程图就是一个决策树模型。
在构造决策树时，需要确定当前数据集上哪个特征在划分数据分类时起到决定性的作用。为了找到决定性的特征，划分出最后的结果，必须评估每个特征。完成测试之后，原始数据集就被划分为几个数据子集。这些数据子集会分布在第一个决策点的所有分支上。如果某个分支下的数据属于同一类型，则当前的数据子集已经正确地划分数据分类，无需进一步对数据集进行分割。如果数据子集内的数据不属于同一类型，则需要重复划分数据子集的过程。如何划分数据子集的算法和划分原始数据集的方法相同，直到所有具有相同类型的数据均在一个数据子集内。
创建分支函数的伪代码：
检测数据集中的每个子项是否属于同一分类：
If so return 类标签；
Else
寻找划分数据集的最好特征
划分数据集
创建分支节点
for 每个划分的子集
调用创建分支函数并增加返回结果到分支节点中
return 分支节点
1.3 朴素贝叶斯
数学知识：P(A|B)表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发
生下事件A的条件概率。其基本求解公式为：
贝叶斯定理：
朴素贝叶斯分类原理：
对于给定的待分类项，求解在此项出现的条件下，该项来自各个类别的概率，将此项
划分为求解概率最大的那个类别。
例如，假设我们有一个数据集，它由两类数据组成，c1与c2。给定某个由(x,y)表示的
数据点，根据贝叶斯准则计算p(c1|x,y)与p(c2|x,y)。
若p(c1|x,y) > p(c2|x,y) ,那么该数据点属于类别c1。
若p(c1|x,y) < p(c2|x,y) ,那么该数据点属于类别c2。
1.4 基于Logistic 回归和Sigmoid函数的分类
主要思想：根据现有数据对分类边界线建立回归公式，依次进行分类。
Sigmoid函数计算公式如下：
曲线图如下图所示：
当x为0时，Sigmoid函数值为0.5，随着x的增大，对应的Sigmoid函数值将逼近于1；而随着x的增大，对应的Sigmoid函数值将逼近于0，看起来很像一个阶跃函数。
因此，为了实现Logistic 回归分类器，我们可以在每个特征上都乘一个回归系数，如下，然后把所有值相加，如下：
将总和z代入Sigmoid函数中，进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分为1类，小于0.5即被归入0类。
确定分类器的函数形式之后，问题变为：如何确定最佳回归系数。为了找到最佳回归
系数，需要用到最优化理论的一些知识：梯度上升法or 梯度下降法，此处不做介绍。
1.5 支持向量机(Support Vector Machines, SVM)
SVM是一种训练机器学习的算法，可以用于解决分类和回归问题，同时还使用了一种称之为kernel trick（支持向量机的核函数）的技术进行数据的转换，然后再根据这些转换信息，在可能的输出之中找到一个最优的边界(超平面)。简单来说，就是做一些非常复杂的数据转换工作，然后根据预定义的标签或者输出进而计算出如何分离用户的数据。
算法原理：如图，上述将数据集分割开来的直线称为分平面。在上图中，由于数据点
都在二维平面上，所以此时分隔超平面就只是一条直线。但是，若果所给数据点是三维的，那么此时用来分割数据的就是一个平面。若为N维，则为N-1维的超平面，也就是分类的
决策边界。
如果数据点离决策边界越远，那么其最后的预测结果也就越可信。我们希望找到离分
割平面最近的点，确保它们离分割面的距离尽可能远。这里点到分割面的距离被称为间隔。支持向量就是离分割超平面最近的那些点。接下来要试着最大化支持向量机到分割面的距离，需要找到此问题的优化求解方法。此处不做介绍。
注意：SVM本身是一个二类分类器，对多类问题应用SVM需对代码做修改。
当直线不能将数据点分开时，即非线性可分，如下图所示，可以使用一种称为核函数
的工具将数据转换为易于分类器理解的形式。核函数作用是实现从一个特征空间到另一个特
征空间的映射。经过空间转换之后，可以在高维空间中解决线性问题，也就等价于在低维空间中解决非线性问题。
1.6 利用AdaBoost 元算法提高分类性能
当作重要决定时，大家都会考虑或吸取多个专家而不只是一个人的意见，机器学习处理问题也是如此。
将不同分类器组合起来的方法。组合方法有多种形式：可以是不同算法的集成，也可以是同一算法在不同设置下的集成，还可以是数据集不同部分配给不同分类器之后的集成。下面会介绍基于同一种分类器多个不同实例的两种计算方法。
1.6.1 bagging:基于数据随机抽样的分类器构建方法
自举汇聚法（boosting aggregating），是在从原始数据集选择S个新数据集的一种技术，在S个数据集建好之后，将某个学习算法分别作用于每个数据集就得到了S个分类器。当要对新数据分类时，就可以应用这S个分类器进行分类。与此同时，选择分类器投票结果中最多的类别作为最后的分类结果。
随机森林（random forest）就是一种更先进的bagging方法。
1.6.2 boosting
boosting分类器是通过串行训练而获得的，每个新分类器都根据已训练出的分类器的性能进行训练。Boosting是通过集中关注被已有分类器错分的那些数据来获得新的分类器。
boosting分类结果是基于所有分类器的加权求和结果的。Bagging 中分类器权重是相等的，而boosting中分类器权重不相等，每个权重代表的是对应分类器在上一轮迭代中的成功度。
接下来介绍最流行的boosting版本AdaBoost算法。
算法运行过程：训练数据中的每一个样本，并赋予其一个权重，这些权重构成了向量D。一开始，这些权重都初始化成相等的值。首先在训练数据上训练处一个弱分类器并计算该分类器的错误率，然后在同一数据集上再次训练弱分类器。在分类器的第二次训练当中，将会调整每个样本的权重，其中第一次分对的样本的权重会降低，而第一次分错的样本的权重将会提高。为了从所有弱分类器重病得到最终的分类结果，AdaBoost为每个分类器都分配了一个权重值alpha，这些alpha值是基于每个弱分类器的错误率进行计算的。
其中，错误率定义如下：
未正确分类的样本数目
总样本数
alpha的计算公式如下：
算法流程图如下：左边是数据集，其中直方图的不同宽度表示每个样例上的不同权重。
在经过一个分类器之后，加权的预测结果会通过三角形中的alpha值进行加权。每个三角形中输出的加权结构在圆形中求和，从而得到最终结果。
权重向量D更新方式可参考《机器学习实战》。
二、聚类
聚类是一种无监督机器学习方法，目标变量事先不存在。
2.1 K-means聚类算法
基本K-Means算法的思想很简单，事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，知道质心不再改变，最终就确定了每个样本所属的类别以及每个类的质心。由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，K-Means算法的收敛速度比较慢。
K-means聚类算法伪代码：
创建K个点作为起始质心（经常为随机选择）
当任意一个点的簇分配结构发生改变时
对数据集中的每个数据点
对每个质心
计算质心与数据之间的距离（某种距离计算）
将数据分配到距其距离最近的簇
对每一个簇计算簇中所有点的均值并将其作为质心。
如下图所示为K-means聚类过程。
问题和解决方案
OpenCV K-means code 在core module中
double cv::kmeans( //
cv::InputArray data, //多维的数据样本矩阵，float型
int K, // 类别数k
cv::InputOutputArray bestLabels, // 每个样本最后的类别索引
cv::TermCriteria criteria, // 迭代终止条件
int attempts, // 表示进行聚类的次数，根据总方差保存最好的结果
int flags, // 初始聚类中心选取的方式，KMEANS_RANDOM_CENTERS 随机选取，
//KMEANS_PP_CENTERS使用Arthur提供的算法，//KMEANS_USE_INITIAL_LABELS 使用初始标签
cv::OutputArray centers = cv::noArray() // 聚类后的类别中心
);
K-means用法实例
机器学习10大算法-周辉
机器学习10大算法 什么是机器学习呢？ 从广泛的概念来说，机器学习是人工智能的一个子集。人工智能旨在使计算机更智能化，而机器学习已经证明了如何做到这一点。简而言之，机器学习是人工智能的应用。通过使用从数据中反复学习到的算法，机器学习可以改进计算机的功能，而无需进行明确的编程。 机器学习中的算法有哪些？ 如果你是一个数据科学家或机器学习的狂热爱好者，你可以根据机器学习算法的类别来学习。机器学习算法主要有三大类：监督学习、无监督学习和强化学习。 监督学习 使用预定义的“训练示例”集合，训练系统，便于其在新数据被馈送时也能得出结论。系统一直被训练，直到达到所需的精度水平。 无监督学习 给系统一堆无标签数据，它必须自己检测模式和关系。系统要用推断功能来描述未分类数据的模式。 强化学习 强化学习其实是一个连续决策的过程，这个过程有点像有监督学习，只是标注数据不是预先准备好的，而是通过一个过程来回调整，并给出“标注数据”。
机器学习三大类别中常用的算法如下： 1. 线性回归 工作原理：该算法可以按其权重可视化。但问题是，当你无法真正衡量它时，必须通过观察其高度和宽度来做一些猜测。通过这种可视化的分析，可以获取一个结果。 回归线，由Y = a * X + b表示。 Y =因变量；a=斜率；X =自变量；b=截距。 通过减少数据点和回归线间距离的平方差的总和，可以导出系数a和b。 2. 逻辑回归 根据一组独立变量，估计离散值。它通过将数据匹配到logit函数来帮助预测事件。 下列方法用于临时的逻辑回归模型: 添加交互项。 消除功能。 正则化技术。 使用非线性模型。 3. 决策树 利用监督学习算法对问题进行分类。决策树是一种支持工具，它使用树状图来决定决策或可能的后果、机会事件结果、资源成本和实用程序。根据独立变量，将其划分为两个或多个同构集。 决策树的基本原理：根据一些feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投
人工智能之机器学习常见算法
人工智能之机器学习常见算法 摘要机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里小编为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为训练数据，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中垃圾邮件非垃圾邮件，对手写数字识别中的1，2，3，4等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与训练数据的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（LogisTIc Regression）和反向传递神经网络（Back PropagaTIon Neural Network） 非监督式学习： 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means 算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预
烹饪中常见的26种技法有哪些
烹饪中常见的26种技法有哪些 煎：煎是先把锅烧热，用少量的有刷一下锅底，然后把加工成型（一般为扁型）的原料放入锅中，用少量的油煎制成熟的一种烹饪方法。一般先煎一面，再煎另一面、煎时不停地晃动锅子，使原料受热均匀，色泽一致。 熏；熏是讲已经处理熟的主料用烟加以熏制的一种烹调方法。 滑：把上薄浆的鸡鸭鱼猪等的肉片用烧开的水或热锅冷油滑开使原本塞牙的肉质变嫩且口感好。 熘：熘就是用旺火急速烹调的一种方法。熘法一般是先将原料经过油炸或者开水氽熟后，另外起油锅调制卤汁，然后将处理好的原料放入卤汁中搅拌或讲卤汁浇淋于处理好的原料表面。 爆：爆就是急、速、烈的意思，加热时间极短。烹制出的菜肴脆嫩鲜爽。爆法主要用于烹制脆性、韧性原料，常用的爆法主要为：油爆、芜爆、葱爆、酱爆等。
焗：通过盖上锅盖，保留热气，使未熟的十五熟透。 炒：烧是最基本的烹饪技法，其原料一般是片、丝、丁、条、块，炒时要用旺火，要热锅热油，所用底油多少随料而定。依照材料、火候，油温高低的不同，可分为生炒、滑炒、熟炒及干炒等方法。 拔丝：拔丝是将糖（冰糖或白糖）加油或水熬到一定的火候，然后放入炸过的食物翻炒，吃时能拔出糖丝的一种烹调方法。 卷：卷是以菜叶、蛋皮、面皮、花瓣等作为卷皮，卷入各种馅料后，裹成圆筒或椭圆形后，再蒸或炸的一种烹调方法。 氽：氽既是对有些烹饪原料进行出水处理的方法，也是一种制作菜肴的烹调方法。氽菜的主料多是细小的片、丝、花刀型或丸子，而且成品汤多。氽属旺火速成的烹调方法。 蒸：蒸是以水蒸气为导热体，将经过调味的原料，用旺火或中火加热，使成菜熟嫩或酥烂的一种烹调方法。常见的蒸法有干蒸、清蒸、粉蒸
机器视觉检测的分析简答作业及答案要点学习资料
2012研究生机器视觉课程检测及课程设计内容 一、回答下列问题： 1、什么是机器视觉，它的目标是什么？能否画出机器视觉检测系统的结构方 块图，并说出它们的工作过程原理和与人类视觉的关系？ 机器视觉是机器（通常指计算机）对图像进行自动处理并报告“图像中有什么”的过程，也就是说它识别图像中的内容。图像中的内容往往是某些机器零件，而处理的目标不仅要能对机器零件定位，还要能对其进行检验。 原始数据特征向量类别标识 特征度量模式分类器 机器视觉系统的组成框图 2、在机器视觉检测技术中：什么是点视觉技术、一维视觉技术、二维视觉技 术、三维视觉技术、运动视觉技术、彩色视觉技术、非可见光视觉技术等？ 能否说出他们的应用领域病句、案例？能否描述它们的技术特点？ 答：点视觉：用一个独立变量表示的视觉称之为点视觉。如应用位移传感器测量物体的移动速度。 一维视觉：普通的CCD。 两维视觉：用两个独立变量表示的视觉称之为两维视觉。比如普通的CCD。 三维视觉：用三个独立变量表示的视觉称之为三维视觉。比如用两个相机拍摄（双目视觉）；或者使用一个相机和一个辅助光源。 彩色视觉：用颜色作为变量的视觉称之为彩色视觉。物体的颜色是由照 射光源的光谱成分、光线在物体上反射和吸收的情况决定的。比如，一 个蓝色物体在日光下观察呈现蓝色，是由于这个物体将日光中的蓝光 反射出来，而吸收了光谱中的其他部分的光谱，而同样的蓝色物体， 在红色的光源照射下，则呈现红紫色， 非可见光视觉技术：用非可见光作为光源的视觉技术。比如非可见光成像技术。
3、机器视觉检测技术中：光源的种类有哪些？不同光源的特点是什么？光照 方式有几种？不同光照方式的用途是什么？又和技术特点和要求？ 机器视觉检测技术中光源有以下几种：荧光灯，卤素灯+光纤导管，LED 光源，激光，紫外光等。几种光源的特点如下： 成本亮度稳定度使用寿命复杂设计温度影响种类名 称 荧光灯低差差一般低一般 卤素灯+光纤导管高好一般差一般差LED光源一般一般好好高低光照方式有以下几种： 背景光法（背光照射）是将被测物置于相机和光源之间。这种照明方式的优点是可将被测物的边缘轮廓清晰地勾勒出来。由于在图像中，被测物所遮挡的部分为黑色，而未遮挡的部分为白色，因此形成“黑白分明”的易于系统分析的图像。此方法被应用于90%的测量系统中。 前景光法（正面照射）是将灯源置于被测物和相机之前。又可分为明场照射和暗场照射。明场照射是为了获得物体的几乎全部信息，照射物体的光在视野范围之内几乎全部反射回去；暗场照射是为了获取物体表面的凹凸，照射物体的光在视野范围之外有部分光反射回去。 同轴光法是将灯源置于被测物和相机之间。 4、机器视觉检测系统中，光学系统的作用是什么？光学器件有哪几种，它们 各自的作用是什么？光学镜头有几种类型，它们各自有何用途？光学镜头有哪些技术参数，各自对测量有什么影响？ 答：机器视觉检测系统中，光学系统用来采集物体的轮廓、色彩等信息。 光学器件主要有：镜头、成像器件（CCD和CMOS)、光圈、快门等。 镜头的作用是对成像光线进行调焦等处理，使成像更清晰；成像器件的作用是将光学图像转换成模拟电信号；光圈的作用如同人得瞳孔， 控制入射光的入射量，实现曝光平衡；快门的作用是将想要获取的光学
机器学习算法分类与趋势分析
机器学习算法分类与趋势分析
机器学习算法的分类是棘手的，有几种合理的分类，他们可以分为生成/识别，参数/非参数，监督/无监督等。 例如，Scikit-Learn的文档页面通过学习机制对算法进行分组。这产生类别如：1，广义线性模型，2，支持向量机，3，最近邻居法，4，决策树，5，神经网络等 但从我们的经验来看，这并不总是算法分组最为实用的方法。那是因为对于应用机器学习，你通常不会想，“今天我要训练一个支持向量机！”相反，你心里通常有一个最终目标，如利用它来预测结果或分类观察。 所以在机器学习中，有一种叫做“没有免费的午餐”的定理。简而言之，它的意思就是说没有任何一种算法可以完美地解决每个问题，这对于监督式学习（即预测性建模）尤其重要。 例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，比如数据集的大小和结构。因此，您应该为您的问题尝试许多不同的算法，同时使用数据的“测试集”来评估性能并选择优胜者。 当然，你尝试的算法必须适合你的问题，这就是选择正确的机器学习算法的重要性之所在。打个比方，如果你需要清理你的房子，你可以使用真空吸尘器，扫帚或拖把，但是你不会拿出一把铲子然后开始挖掘。
因此，我们想要介绍另一种分类算法的方法，即通过机器学习所负责的任务来分类。 机器学习的任务 1.回归 回归是一种用于建模和预测连续数值变量的监督学习任务。例如预测房地产价格，股价变动或学生考试分数。 回归任务的特征是具有数字目标变量的标记数据集。换句话说，对于每个可用于监督算法的观察结果，您都有一些“基于事实”的数值。
1.1。（正则化）线性回归 线性回归是回归任务中最常用的算法之一。它最简单的形式是试图将一个直的超平面整合到你的数据集中（即当你只有两个变量的时候，你只能得到一条直线）。正如您可能猜到的那样，当数据集的变量之间存在线性关系时，它的效果是非常好的。 实际上，简单的线性回归经常被正则化的同类算法（LASSO，Ridge和Elastic-Net）所忽略。正则化是一种惩罚大系数的技术，以避免过度拟合，它应该调整其惩罚的力度。
机器学习中常见的几种优化方法
机器学习中常见的几种优化方法 阅读目录 1. 梯度下降法（Gradient Descent） 2. 牛顿法和拟牛顿法（Newton's method & Quasi-Newton Methods） 3. 共轭梯度法（Conjugate Gradient） 4. 启发式优化方法 5. 解决约束优化问题——拉格朗日乘数法 我们每个人都会在我们的生活或者工作中遇到各种各样的最优化问题，比如每个企业和个人都要考虑的一个问题“在一定成本下，如何使利润最大化”等。最优化方法是一种数学方法，它是研究在给定约束之下如何寻求某些因素(的量)，以使某一(或某些)指标达到最优的一些学科的总称。随着学习的深入，博主越来越发现最优化方法的重要性，学习和工作中遇到的大多问题都可以建模成一种最优化模型进行求解，比如我们现在学习的机器学习算法，大部分的机器学习算法的本质都是建立优化模型，通过最优化方法对目标函数（或损失函数）进行优化，从而训练出最好的模型。常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯
度法等等。 回到顶部 1. 梯度下降法（Gradient Descent） 梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下 降法越接近目标值，步长越小，前进越慢。梯度下降法的搜索迭代示意图如下图所示： 牛顿法的缺点： （1）靠近极小值时收敛速度减慢，如下图所示； （2）直线搜索时可能会产生一些问题； （3）可能会“之字形”地下降。 从上图可以看出，梯度下降法在接近最优解的区域收敛速度明显变慢，利用梯度下降法求解需要很多次的迭代。 在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。
机器学习的十种经典算法详解
机器学习的十种经典算法详解 毫无疑问，近些年机器学习和人工智能领域受到了越来越多的关注。随着大数据成为当下工业界最火爆的技术趋势，机器学习也借助大数据在预测和推荐方面取得了惊人的成绩。比较有名的机器学习案例包括Netflix根据用户历史浏览行为给用户推荐电影，亚马逊基于用户的历史购买行为来推荐图书。那么，如果你想要学习机器学习的算法，该如何入门呢？就我而言，我的入门课程是在哥本哈根留学时选修的人工智能课程。老师是丹麦科技大学应用数学和计算机专业的全职教授，他的研究方向是逻辑学和人工智能，主要是用逻辑学的方法来建模。课程包括了理论/核心概念的探讨和动手实践两个部分。我们使用的教材是人工智能的经典书籍之一：Peter Norvig教授的《人工智能——一种现代方法》，课程涉及到了智能代理、基于搜索的求解、对抗搜索、概率论、多代理系统、社交化人工智能，以及人工智能的伦理和未来等话题。在课程的后期，我们三个人还组队做了编程项目，实现了基于搜索的简单算法来解决虚拟环境下的交通运输任务。我从课程中学到了非常多的知识，并且打算在这个专题里继续深入学习。在过去几周内，我参与了旧金山地区的多场深度学习、神经网络和数据架构的演讲——还有一场众多知名教授云集的机器学习会议。最重要的是，我在六月初注册了Udacity的《机器学习导论》在线课程，并且在几天前学完了课程内容。在本文中，我想分享几个我从课程中学到的常用机器学习算法。机器学习算法通常可以被分为三大类——监督式学习，非监督式学习和强化学习。监督式学习主要用于一部分数据集（训练数据）有某些可以获取的熟悉（标签），但剩余的样本缺失并且需要预测的场景。非监督式学习主要用于从未标注数据集中挖掘相互之间的隐含关系。强化学习介于两者之间——每一步预测或者行为都或多或少有一些反馈信息，但是却没有准确的标签或者错误提示。由于这是入门级的课程，并没有提及强化学习，但我希望监督式学习和非监督式学习的十个算法足够吊起你的胃口了。监督式学习1.决策树：决策树是一种决策支持工具，它使用树状图或者树状模型来表示决策过程以及后续得到的结果，包括概率事件结果等。请观察下图来理解决策树的结构。 从商业决策的角度来看，决策树就是通过尽可能少的是非判断问题来预测决策正确的概
机器学习常见算法分类汇总
机器学习常见算法分类汇总 ?作者：王萌 ?星期三, 六月25, 2014 ?Big Data, 大数据, 应用, 热点, 计算 ?10条评论 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里IT经理网为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习：
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network） 非监督式学习： 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。 半监督式学习：
机器人视觉算法 参考答案
1.什么是机器视觉 【概述】 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分 CMOS 和 CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。【基本构造】 一个典型的工业机器视觉系统包括：光源、镜头、 CCD 照相机、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯 / 输入输出单元等。 系统可再分为： 主端电脑(Host Computer) 影像撷取卡(Frame Grabber)与影像处理器影像摄影机 CCTV镜头显微镜头照明设备： Halogen光源 LED光源 高周波萤光灯源闪光灯源其他特殊光源影像显示器 LCD 机构及控制系统 PLC、PC-Base控制器 精密桌台伺服运动机台 【工作原理】 机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格 / 不合格、有 / 无等，实现自动识别功能。 【机器视觉系统的典型结构】 一个典型的机器视觉系统包括以下五大块： 1.照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。 2.镜头FOV（Field Of Vision）=所需分辨率*亚象素*相机尺寸/PRTM（零件测量公差比）镜头选择应注意： ①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点 / 节点⑦畸变 3.相机 按照不同标准可分为：标准分辨率数字相机和模拟相机等。要根据不同的实际应用场合选不同的相机和高分辨率相机:线扫描CCD和面阵CCD；单色相机和彩色相机。 4.图像采集卡 图像采集卡只是完整的机器视觉系统的一个部件，但是它扮演一个非常重要的角色。图像采集卡直接决定了摄像头的接口：黑白、彩色、模拟、数字等等。 比较典型的是PCI或AGP兼容的捕获卡，可以将图像迅速地传送到计算机存储器进行处理。有些采集卡有内置的多路开关。例如，可以连接8个不同的摄像机,然后告诉采集卡采用那一个相机抓拍到的信息。有些采集卡有内置的数字输入以触发采集卡进行捕捉，当采集卡抓拍图像时数字输出口就触发闸门。 5.视觉处理器 视觉处理器集采集卡与处理器于一体。以往计算机速度较慢时，采用视觉处理器加快视觉处理任务。现在由于采集
菜肴的烹调方法
菜肴的烹调方法 烹调方法是指把经过初步加工和切制成形的烹饪原料，综合运用加热、调制等手段制成不同风味菜肴特色的方法。在实际应用中，烹调方法还包括只调制不加热的方法，如生拌、生炝、生渍、生腌等；以及只加热、不调制的方法，如煮（饭）、熬（粥）、蒸（馒头）、烤（白薯）等。 由于烹饪原料的性能、质地、形态各异，因此，菜肴在色、香、味、形、质诸要素等方面的要求也各不一样。因而菜肴制作过程中的加热途径、糊浆、芡汁和火候运用也不尽相同。这样也就衍生形成了多种多样的烹调方法。运用烹调方法的目的是通过对热能、调料和炊具综合的或分别的利用，施加于粗加工、细加工等工序处理过的主、配料，产生复杂的理化反应，形成为色泽、香气、味道、形状、质感等不同的风味特色，使烹饪原料变为既符合饮食养生要求、又美味可口的菜肴。因此，烹调方法对菜肴起着决定性的作用，是中式烹调技艺的核心。 第一节烹调方法的分类 目前，中式菜肴的烹调方法可按传热介质分类、按烹和调的运用情况分类和按冷热菜式分类。现分别介绍如下： 一、按传热介质分类 按传热介质的不同，烹调方法可分为油烹法、水烹法、汽烹法、
固体烹法、电磁波烹法及其他烹法，还包括有多种传热介质综合套用的混合烹法。 1.油烹法 油烹法是指通过油脂把热能以热对流的方式传递给原料，将烹饪原料制成菜肴的烹调方法，如炒、爆、炸、熘、烹、拔丝、挂霜等。 2.水烹法 水烹法是指通过水将热能以热对流的方式传递给烹饪原料，其菜肴主要成熟过程是以水作为传热介质的烹调方法，如汆、涮、烩、煮、焖、烧、炖、扒、灼、浸、蜜汁、软熘等。 3.汽烹法 汽烹法是指通过水蒸气将热能以热对流的方式传递给烹饪原料，其菜肴主要成熟过程是以水蒸气作为传热介质的烹调方法，如蒸、隔水炖。 4.固体烹法 固体烹法是指通过盐或砂粒等固体物质将热能以热传导的方式 传递给烹饪原料，其菜肴主要成熟过程是以固体物质作为传热介质的烹调方法，如盐焗、砂炒等。 5.电磁波烹法 电磁波烹法是指依靠电磁波、远红外线、微波、光能等为热源，
数字图像处理与机器视觉 2015-2016期末试卷参考答案
数字图像处理与机器视觉 2015-2016期末试卷参考答案南昌大学研究生2015,2016年第2学期期末考试试卷 试卷编号: (开)卷课程名称: 数字图像处理与机器视觉适用班级: 2015级硕士研究生姓名: 学号: 专业: 学院: 机电工程学院考试日期: 题号一二三四五六七八九十总分累分人 签名题分 10 15 15 10 20 30 100 得分 考生注意事项:1、本试卷共4页，请查看试卷中是否有缺页或破损。如有请报告以便更换。 2、使用A4答题纸，注意装订线。 一、单项选择题(从下列各题四个备选答案中选出一个正确答案，并将其 代号填在题前的括号内。每小题1分，共10分) ( b )1.图像与灰度直方图间的对应关系是: a.一一对应 b.多对一 c.一对多 d.都不对 ( d )2. 下列算法中属于图象平滑处理的是: a.Hough变换法 b.状态法 c.高通滤波 d. 中值滤波 ( c )3.下列算法中属于图象锐化处理的是: a.局部平均法 b.最均匀平滑法 c.高通滤波 d. 中值滤波 ( d )4. 下列图象边缘增强算子中对噪声最敏感的是: a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( b )5. 下列算法中属于点处理的是: a.梯度锐化 b.二值化 c.傅立叶变换 d.中值滤波 ( d )6.下列算子中利用边缘灰度变化的二阶导数特性检测边缘的是:
a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( c )7.将灰度图像转换成二值图像的命令为: a.ind2gray b.ind2rgb c.im2bw d.ind2bw ( d )8.数字图像处理的研究内容不包括: a.图像数字化 b.图像增强 c.图像分割 d.数字图像存储 ( d )9.对一幅100?100像元的图象，若每像元用,bit表示其灰度值，经霍夫曼编码后图象的压缩比为2:1，则压缩图象的数据量为: a.2500bit b.20000bit c.5000bit d.40000bit ( b )10.图像灰度方差说明了图像哪一个属性: a.平均灰度 b.图像对比度 c.图像整体亮度 d.图像细节 第 1 页 二、填空题(每空1分，共15分) l. 图像处理中常用的两种邻域是 4-邻域和 8-邻域。 2.图象平滑既可在空间域中进行，也可在频率域中进行。 3.常用的灰度内插法有最近邻元法、双线性内插法和三次内插法。 4. 低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 5.Prewitt边缘检测算子对应的模板是和。 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 -1 0 1 (不分先后) 6.图像压缩系统是有编码器和解码器两个截然不同的结构块组成的。 7.灰度直方图的纵坐标是该灰度出现的频率。 8.依据图象的保真度，图象编码可分为无失真(无损)编码和有失真(有损)编码两 种。
机器视觉基本介绍
机器视觉基本概念 2018.1.29 机器视觉系统 作用：利用机器代替人眼来做各种测量和判断。 它是计算机学科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。 机器视觉系统的特点：是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。可以在最快的生产线上对产品进行测量、引导、检测、和识别，并能保质保量的完成生产任务 视觉检测：指通过机器视觉产品（即图像摄取装置，分CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。是用于生产、装配或包装的有价值的机制。它在检测缺陷和防止缺陷产品被配送到消费者的功能方面具有不可估量的价值。 照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。 光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。 照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。 镜头 FOV（Field of Vision）=所需分辨率*亚象素*相机尺寸/PRTM（零件测量公差比） 镜头选择应注意： ①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变
机器学习十大算法的每个算法的核心思想、工作原理、适用情况及优缺点
5-1简述机器学习十大算法的每个算法的核心思想、工作原理、适用情况及优缺点等。 1）C4.5算法： ID3算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。 C4.5算法核心思想是ID3算法，是ID3算法的改进，改进方面有： 1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2）在树构造过程中进行剪枝 3）能处理非离散的数据 4）能处理不完整的数据 C4.5算法优点：产生的分类规则易于理解，准确率较高。 缺点： 1)在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算 法的低效。 2)C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程 序无法运行。 2）K means 算法： 是一个简单的聚类算法，把n的对象根据他们的属性分为k个分割，k < n。算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。 ，其中N为样本数，K是簇数，r nk b表示n属于第k个簇，u k是第k个中心点的值。 然后求出最优的u k 优点：算法速度很快 缺点是，分组的数目k是一个输入参数，不合适的k可能返回较差的结果。 3）朴素贝叶斯算法： 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。算法的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。朴素贝叶斯假设是约束性很强的假设，假设特征条件独立，但朴素贝叶斯算法简单，快速，具有较小的出错率。 在朴素贝叶斯的应用中，主要研究了电子邮件过滤以及文本分类研究。
烹饪中的烹调手法
炒古写作“煼”，是目前最基本的烹调方法之一；即将食物切成小件，连同调味料放入烧猛油的铁镬（锅）中迅速翻搅致熟的手法。 炝食物切好后，经沸水或热油的“灼”或“泡”等处理后，再在烧镬（锅）中爆入干辣椒和花椒油拌匀的烹调方法。 炊即利用蒸、煮等将食物致熟的方法。多见冠名在潮州菜中。 煮最简单的烹调方法之一；在镬（锅）中用适量的沸水或汤水以及调味料将食物致熟的烹调方法。 煎烧热铁镬（锅），放入少许生油，然后将食物平滩紧贴在镬中，利用慢火热油使食物的表面呈金黄色及致熟的烹调方法。 爆利用热镬（锅）热油，攒入适量调好的汁酱或汤水，使镬中的小件食物快速致熟又赋入香气的烹调方法。 炸古写作“煠”，最常用的烹调方法之一；指将食物放入大量的热油中致熟至脆的烹调手法。 烚古写作“煠”，利用大量的沸水将肉质较韧的食物在炉火上炊软炊熟的加工方法。 滚利用大量的沸水的涌动将食物窳味带出的加工方法。利用大量的汤水将已煎好的食物煮熟并得出汤水的烹调方法。 氽北方烹调术语，古为“川”；近乎粤菜的“渌”，即将加工成丸状或片状的食物在沸水中致熟后，捞起入碗中，再添入沸汤的烹调方法。 灼北方写作“焯”；是指食物切成薄片等，利用沸水迅速至熟再
蘸上酱料而吃的烹调方法。 炟将蔬菜放入添有枧水或生油的沸中用慢火煮透，使成品软并保持翠绿的加工方法。 涮北方烹调术语；将切成薄片的食物放入辣汤中致熟再蘸上酱料而吃的烹调方法。 煀古时写作“爩”；指将食物直接放入镬（锅）中或瓦罉（煲）中，加入大量姜葱等香料料头，盖上盖，利用大量的香料料头至香及达到成熟的烹调方法。 焗利用灼热的粗盐等将用锡纸或玉扣纸等包封好的食物在密封的条件下致熟的烹调方法。利用沙姜粉加精盐调拌致熟的烹调方法或是用密封的条件受热致熟的烹调方法。 焖北方烹调法；指质韧的食物放入镬（锅）中，加入适量的汤水，盖上盖并利用文火炊软及致熟的烹调方法。 炆近乎北方烹调法的“烧”，故有“南炆北烧”之说；指质韧的食物放入镬（锅）中，加入适量的汤水，利用文火炊软及致熟的烹调方法。 烩用适量的汤水将多种肉料和蔬菜一同炊煮的烹调方法。 蒸利用水蒸汽的热力使食物致熟的烹调方法。 炖食物加入清水或汤水，放入有盖的容器中，盖盖，再利用水蒸汽的热力致熟并得出汤水的烹调方法。北方菜系是指用大量汤水及文火将食物炊软炊熟的烹调方法。 扣食物经调味及预加工后，整齐排放入扣碗之中隔水蒸熟，然后
分享最适合新手入门的10种机器学习算法
分享最适合新手入门的10种机器学习算法 编者按：Medium博主James Le近日在网络上分享了他认为的最适合新手的机器学习算法，并授权论智进行编译。以下是我们对原文的编译，如有错误还请指出。 在机器学习界，有这样一个“没有免费午餐”的定理。简单地说，该理论认为，没有一种算法能解决所有问题，尤其对监督学习而言。 例如，你不能认为神经网络总比决策树要好，或决策树永远优于神经网络。这其中还有许多因素需要考虑，比如你的数据量大小和数据结构。 这样就导致我们在面对一个问题时需要尝试不同的算法，同时还要用测试的数据集来评估算法的性能，选出最合适的那一种。 当然，你所选的算法必须适合你的问题，就像当我们需要清理房子的时候，可以使用吸尘器、扫把或拖把，但不会用铲子来挖地。 首要原则 然而，在为监督式机器学习创建预测模型之前，要记得一条最重要的原则： 机器学习算法可以看做学习一种目标函数（f），该函数是输入变量（X）到输出变量（Y）的完美映射：Y=f（X） 这是一个通用的学习任务，我们希望用新输入的变量（X）能输出预测变量（Y）。我们不知道函数（f）是什么样子的，或者什么形式的。如果我们知道的话就直接使用了，不需要再用机器学习算法从大量的数据中学习它。 最常见的机器学习类型是学习映射Y=f（X），用它来预测Y的值。这被称为预测建模或预测分析，我们的目标是做出最准确的预测。 对于想了解机器学习基础知识的新手，以下是数据科学家最常用的10种机器学习算法。 1.线性回归 线性回归也许是数据科学和机器学习中最知名、最好理解的算法了吧。 预测建模主要关注的是，以可解释性为基础，将模型的误差降到最小并尽量作出最准确的预测。我们将借鉴、多次使用甚至“窃取”包括数据统计在内的多个不同领域的算法，从
中国烹饪概论试卷
《中国烹饪概论》综合复习题 四川烹饪高等专科学校 《烹饪概论》复习题 第一章烹饪与中国烹饪学 一、名词 烹饪、烹调、食品、中国烹饪学、传统烹饪 二、单项选择 1．烹饪一词最早出现于( )。 (1)《周易》(2)《论语》(3)《礼记》(4)《尚书》 2．( )的出现是古老烹饪的开始。 (1)火(2)青铜器(3)鼎(4)铁器 3．烹饪的性质是( )。 (1)手工制作(2)成新(3)烹炒调制(4)食物由生变熟 4．中国烹饪学属于一门( )学科。 (1)自然科学性(2)社会科学性(3)技术科学性(4)综合性 三、多项选择 1．传统手工烹饪的特点有( )。 (1)手工性、地区性(2)传承性、个性化(3)时间性 (4)全面性(5)狭隘性 2．现代烹饪相对于传统烹饪来说，具有的优势有( )。 (1)规模化(2)规范化(3)标准化 (4)智能化(5)现代化 3．烹饪成品以能提供( )为基本要求。 (1)营养(2)蛋白质(3)卫生 (4)美感(5)维生素
四、判断 1．在不久的将来，现代烹饪必将全面替代手工烹饪。 五、简答或论述。 1．为什么说中国烹饪学是一门综合性的学科? 2．传统手工烹饪与现代食品工业有什么特点和关系? 第二章中国烹饪文化 一、名词 文化、中国烹饪文化、中国饮食文化、烹饪典籍、饮馔语言、饮食成语、饮食谚语、饮食歇后语、医食相通 二、单项选择 1．《饮膳正要》是( )人( )编着的。 (1)宋代、林洪(2)明代、宋诩(3)清代、袁枚(4)元代、忽思慧 2．以下书籍中，( )是唐代一本谈烹饪技艺的刀工专着。 (1)《调鼎集》(2)《醒园录》(3)《山家清供》(4)《砍脍书》 3．世界上第一部论述茶叶的科学专着《茶经》的作者是( )的陆羽。 (1)汉代(2)唐代(3)明代(4)清代 4．中国烹饪文化的精华是( ) (1)烹饪典籍(2)饮食文献(3)饮食思想与哲理(4)食风食俗 5．豆腐的发明者是( ) (1)黄庭坚(2)老子(3)苏轼(4)刘安 6．“治大国若烹小鲜”出自( ) (1)《礼记》(2)《论语》(3)《尚书》(4)《道德经》 7．最早记月饼这一食品名称的着作，是宋代周密的( )。 (1)《清嘉录》(2)《荆楚岁时记》(3)《风土记》(4)《武林旧事》 8．《厨者王小余传》的作者是( )。 (1)李渔(2)张英(3)袁枚(4)徐珂 9．最早进行中西饮食比较研究的书籍是( ) (1)《厨者王小余传》(2)《武林旧事》 (3)《清稗类钞》(4)《建国方略》 10．清代郎廷极编着的( )对中国古代酒文化具有重要价值。 (1)《酒名记》(2)《胜饮篇》
机器视觉算法开发软件----HALCON
机器视觉算法开发软件----HALCON HALCON是世界范围内广泛使用的机器视觉软件，用户可以利用其开放式结构快速开发图像处理和机器视觉软件。 HALCON提供交互式的编程环境HDevelop。可在Windows,Linux,Unix下使用，使用HDevelop可使用户快速有效的解决图像处理问题。HDevelop含有多个对话框工具，实时交互检查图像的性质，比如灰度直方图，区域特征直方图，放大缩小等，并能用颜色标识动态显示任意特征阈值分割的效果，快速准确的为程序找到合适的参数设置。HDevelop程序提供进程，语法检查，建议参数值设置，可在任意位置开始或结束，动态跟踪所有控制变量和图标变量，以便查看每一步的处理效果。当用户对于机器视觉编程代码完成后，HDevelop可将此部分代码直接转化为C++,C或VB源代码，以方便将其集成到应用系统中。 HALCON提供交互式的模板描述文件生成工具HmatchIt,。可交互式地为一个模型定义一个任意形状的感性趣区域，HmatchIt优化给出此创建模型的合适参数, 自动生成模板描述文件以供程序调用，快速为基于形状匹配和结构匹配的用户找到实现目标识别和匹配应用的合适的参数设置。 HALCON提供支持多CPU处理器的交互式并行编程环境Paralell Develop, 其继承了单处理器板HDevelop的所有特点，在多处理器计算机上会自动将数据比如图像分配给多个线程，每一个线程对应一个处理器，用户无需改动已有的HALCON程序，就立即获得显
著的速度提升。 HALCON中HDevelop Demo中包含680个应用案例，根据不同的工业领域，不同的用法和算法分类列出，用户可以根据自己的需求方便的找到相对应的类似案例，快速掌握其函数用法。 HALCON提供的函数使用说明文档，详细介绍每个函数的功能和参数用法，提供在不用开发语言（VC,VB,.NET等）下的开发手册，而且提供一些算法（例如3D）的原理性介绍，给用户的学习提供帮助。 特点：原型化的开发平台，自动语法检查； 动态察看控制和图标变量； 支持多种操作系统； 支持多CPU； 支持多种文件格式； 自动语言转化功能； 与硬件无关，可支持各种硬件； 应用领域：医学图像分析； 2D/3D测量； 立体视觉； 匹配定位； 光学字符识别； Blob分析；
机器学习算法汇总：人工神经网络、深度学习及其它
学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network） 非监督式学习：
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。 强化学习：
中餐常见烹调方法
中餐常见的烹调方法 中菜的烹调方法至少有50多种，但大体不离:煮（boiling）、煲/炖（stewing）、烧/焖/烩（braising）、煎（frying）、炒（stir-frying）、爆（quick-frying）、炸（deep-frying）、扒（frying and simmering）、煸（sautéing）、煨（simmering）、熏（smoking）、烤（roasting/barbecuing）、烘（baking）、蒸（steaming）、白灼（scalding）等基本方法。 煮boiled 如“煮咸牛肉”（Boiled Corned Beef） 煲/炖stewed 如“清炖牛肉”（Stewed Ox Tail in Clear Soup） 烧braised 如“红烧牛蹄”(Braised Ox Trotters in Brown Sauce) 煎(pan-)fried 如“煎明虾”(Fried Prawns) 炒braised 如“炒鸡丁”(Stir-Fried Chicken Dices) 爆quick-fried 如“葱爆羊肉”(Quick-Fried Lamb with Scallion in Ginger Sauce) 炸deep-fried 如“炸大虾”(Deep-Fried Prawns) 扒fried and simmered 如“虾子扒海参”(Fried and Simmered Sea Cucumber with Shrimp Roe) 煸sautéed 如“干煸鳝鱼”(Sautéed Eel Slices) 煨simmered 如“煨牛肉”(Simmered Beef) 焖braised 如“黄酒焖猪排”(Braised Pork Chops in Rice Wine) 烩braised 如“烩鸡丝”(Braised Chicken Shreds with Peas) 熏smoked 如“熏鱼”(Smoked Fish) 烘baked 如“烘鸽”(Baked Pigeon) 蒸steamed 如“蒸鲜鱼”(Steamed Fresh Fish) 酱/醋marinated 如“酱鸡”(Marinated Chicken) 卤spicy; stewed in gravy 如“卤鸭”(Spicy Duck) 涮instant-boiled 如“涮羊肉”(Instant-Boiled Mutton Slices) 酿stuffed 如“酿青椒”(Stuffed Green Pepper) 烤roast; barbecued 如“烤鹅”(Roast Goose) 清蒸steamed(in clear soup) 如“清蒸桂鱼”(Steamed Mandarin Fish) 清炖stewed in clear soup 如“清炖甲鱼”(Stewed Turtle in Clear Soup) 白灼/嫩煮scalded 如“白灼海虾”(Scalded Prawns) 红烧braised in brown sauce 如“红烧蹄筋”(Braised Pork Tendon in Brown Sauce) 干烧in pepper sauce 如“干烧干贝”(Scallop in Pepper Sauce) 麻辣with hot pepper 如“麻辣豆腐”(Bean Curd with Hot Pepper/Spice Bean Curd) 酱爆in bean sauce 如“酱爆肉丁”(Diced Pork in Bean Sauce) 鱼香in(spicy)garlic sauce 如“鱼香肉丝”(Shredded Pork in Garlic Sauce) 糖醋with sweet and sour sauce 如“糖醋排骨”(Spareribs with Sweet and Sour Sauce) 宫保with chili and peanuts 如“宫保鸡丁”(Diced Chicken with Chili and Peanuts) 脆皮crisp(in spicy sauce) 如“脆皮鱼”(Crisp Fish) 香酥crisp fried 如“香酥鸡”(Crisp Fried Chicken) 焦熘fried in sauce 如“焦熘鱼片”(Fried Fish Slices in Sauce) 甜酸sweet and sour 如“甜酸肉”(Sweet & Sour Pork) 胡辣with pepper and chili 如“胡辣海参”(Sea Slug with Pepper and Chili) 油淋drip-fried with oil 如“油淋兔”(Drip-Fried Rabbit with oil) 干煸dry-sautéed 如“干煸季豆”(Dry-Sautéed String Beans) 盐水boiled in salt water 如“盐水虾”(Boiled Shrimps in Slat Water) 家常home style 如“家常豆腐”(Bean Curd Home Style) 陈皮with spicy orange peel 如“陈皮鸡”(Chicken in Spicy Orange Peel)