机器学习的一些概念更新（一）

1. 什么是超平面？
   三维空间的超平面就是二维平面
   二维空间的超平面就是一维平面
   一维平面的超平面就是点
   以此类推
2. 支持向量机的目的？
   支持向量机要做的就是在这个特征空间中寻找某一超平面，使得分布在特征空间中的样本点能够被这个超平面分割为两类。svm属于二分类算法。
3. 关于非线性问题的提出？
   非线性分类问题是指需要利用非线性模型才能获得比较好的分类结果的一类问题。
   如何解决？
   支持向量机算法的精髓设计思想-核技巧，他的作用是将非线性可分的特征空间映射到线性可分的特征空间中。
4. 主成分算法（PCA算法）
   PCA算法即主成分算法，他是通过线性变换，将原始数据投影到一组线性无关的低维度向量上去，从而实现高位数据的降维。例如从三维映射到二维。
5. 向量的范数
   可以理解为衡量空间中向量长度的一种形式，向量的二范数就是向量的模长。
6. RGB颜色模型与HSV颜色模型
   RGB(255,255,255) 24比特展示，一个颜色占8位，2^8-1=255---------立方体模型
   HSV采用色调（H），饱和度（S），明度（v）3个参数来表示颜色。---锥形模型
7. 灰度图像与二值图像
   介于白色和黑色之间的颜色就是灰色，那么直接量化的就是灰色的程度，这个程度就是灰度。
   二值图像非黑即白
8. 信噪比：
   信号与噪音二者能量的比值
9. 高斯噪声就是指图像叠加的噪声概率密度服从高斯分布，也就是正态分布
10. 椒盐噪声就是指图像中随机出现的黑白杂点：椒指黑色，盐指白色
11. 滤除噪声的方法有均值滤波和中值滤波
    对于椒盐噪声：中值滤波效果好于均值滤波
    对于高斯噪声：均值滤波效果好于中值滤波
12. 局部二值模型（LBP）:是一种用来描述图像局部纹理特征的算子，他具有旋转不变性和灰度不变性的特点。
13. HOG即方向梯度直方图，可以进行图像检测的特征描述算子。
14. 关于神经网络的通俗解释
    人工神经网络包括多个神经网络层，如：卷积层、全连接层、LSTM等，每一层又包括很多神经元，超过三层的非线性神经网络都可以被称为深度神经网络。
    通俗的讲，深度学习的模型可以视为是输入到输出的映射函数，如图像到高级语义（美女）的映射，足够深的神经网络理论上可以拟合任何复杂的函数。