机器学习(ML)
机器学习与深度学习区别
传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。但是深度学习则是一次性地、端到端地解决。
- 人工智能（AI) 机器学习（ML) 深度学习（DL），到底他们哥仨是什么关系？
http://www.sohu.com/a/231971114_467566
深度学习(DL)
模型训练
- OpenCV实践之路——人脸识别之二模型训练
https://blog.csdn.net/wc781708249/article/details/78600718
流程：数据集（包含许多的正负样本的图像 - 预处理）- 标签 - 模型及训练（网络选择与设计、优化算法、训练过程），保存模型 - 根据模型预测出标签
- 深度学习的模型是怎么训练/优化出来的
https://www.cnblogs.com/houkai/p/10221709.html
目标检测
在给定的图片中精确找到物体所在位置，并标注出物体的类别
目标检测常见算法3大类
https://blog.csdn.net/qq_18649781/article/details/89483475YOLO(You Look at Once - YOLO)网络OpenCV DNN之YOLO实时对象检测
https://blog.51cto.com/gloomyfish/2095418
OpenCV流程：加载网络模型-加载分类信息-加载测试图像-分类检测-结果显示
- 基于深度学习的opencv人脸检测
https://blog.csdn.net/ling_xiobai/article/details/82052337
OpenCV流程：加载模型-加载测试图像-检测-结果显示
目标识别
目标分割、目标检测、目标识别（预处理，特征提取，特征选择，建模，匹配，定位）、目标跟踪
- Dlib+OpenCV深度学习人脸识别
https://blog.csdn.net/csdnall/article/details/80888062
人脸数据库导入（68特征点，提取128维向量）- 人脸检测过程（活体检测）- 人脸识别（128维向量比较）- 相似度识别出具体的人脸
- 深度学习之目标检测与目标识别
https://blog.csdn.net/qq_32241189/article/details/80573087
网络
卷积神经网络（CNN）:卷积层、激活函数和池化层
循环神经网络（RNN）：
深度神经网络（DNN）：
梯度下降：
过拟合（over-fitting）：
- 使用DeepLearning4j训练和保存模型
https://my.oschina.net/u/2391658/blog/1837002
卷积运算：用一个小于图片的卷积核扫过整幅图片求点积
池化：池化的方式有很多，如最大值，平均值
直观理解神经网络最后一层全连接+Softmax
https://blog.csdn.net/blogshinelee/article/details/84826837全连接网络到卷积神经网络逐步推导
http://www.dataguru.cn/article-13436-1.html
对于图像分析而言，具体可以将其划分为很多类型的任务，比如分类、对象检测、识别、描述；在图像分析中，卷积[神经网络]（Convolutional Neural Networks, CNN）在时间和内存方面优于全连接网络（Full Connected, FC）
写的非常不错，浅显易懂，值得推荐深入阅读
【感知器】
输入（样本、特征 x、label t）、输入权值（权值 w、偏置项 b；学习速率η；感知器规则）、激活函数（函数f）、输出（公式f、输出y）
【线性单元】
模型（h、预测值）、目标函数(误差最小、损失函数)、优化算法（找到合适的w）；
【神经元】
输入层、隐藏层、输出层、连接的权重；
网络（全连接神经网络、CNN、RNN、LSTM）；
训练（需要知道一个神经网络的每个连接上的权值是如何得到的。我们可以说神经网络是一个模型，那么这些权值就是模型的参数，也就是模型要学习的东西。然而，一个神经网络的连接方式、网络的层数、每层的节点数这些参数，则不是学习出来的，而是人为事先设置的。对于这些人为设置的参数，我们称之为超参数(Hyper-Parameters)）、
训练算法（反向传播算法）、
自行构造一个神经网络，然后进行训练和预测
