LLM And Search

定义

按照[wiki百科的定义，EM算法被用于寻找，依赖于不可观察的隐形变量的模型中参数的最大似然估计。在统计计算中，最大期望（EM）算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。最大期望算法经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

本篇主要分析CV领域的主要代表性CNN网络结构，这些网络结构一般是在图像识别的任务上开发设计的，并迁移应用到其他的计算机视觉任务上。

对于计算机视觉而言，从简单到复杂一般包括：

• 图像识别
• 目标检测
• 图像分割
• 图像翻译/描述

所谓图像识别，就是识别一张图像的类别，比如说猫狗大战，图像识别是最基础的计算机视觉任务。对于图像识别任务中，待识别的照片类似于大头贴的形式，即目标基本覆盖整张图像的大部分区域。对于机器学习任务，网络的搭建以及模型的训练过程，实际上就是学习输入数据到标签之间的映射的过程，假设输入的数据为X，对应的标签为Y,网络模型为f(.)，训练的过程就是为了找到合适的参数使得满足关系式$Y=f(x)$。

本篇涉及机器学习炼丹过程中的一些必须知道的知识点，比如评价指标，损失函数，激活函数，正则化，卷积，RNN等，envolving…

目标检测为计算机视觉领域内的相关任务，输入一张图片，输出图片中物体所在位置及物体的名称。是一个典型的多任务模型。

支持向量机是非常高效的一种有监督机器学习算法，是一个二类分类模型，他的基本模型是定义在特征空间上的间隔最大的现行分类器，间隔最大使它有别于感知机；此外核函数的应用，使该算法可以应用有非线性空间。

决策树是机器学习中非常容易理解机模型，是最基础最常见的有监督学习模型，被用于分类或者回归，由于树结构与销售、教育、医疗诊断场景决策过程相似，因此在该领域应用广泛。

决策树的生成包括三个部分：特征选择，构造树，树剪枝

聚类是一种主要用于处理分类的无监督任务。给出一组无标记的数据，目标是找到这组数据的模式特征，例如哪些数据是同一类型的，哪些数据是另外的类型。聚类与分类的最大区别就是分类的目标实现已知，例如我们熟知的猫狗大战，在进行分类之前我们就已经知道给定的样本非猫即狗，但是在聚类的时候，对目标是未知的，只能根据给定的数据的特征，按照自己设定的划分标准将样本进行划分

本篇主要介绍使用hexo+Github进行个人博客的搭建，并实现通过个人域名进行网址访问。使用环境为Mac。