串讲

COMP9417

1. machine learning分为supervised learning与unsupervised learning

supervised learning基于input以及output做出判断，算法分为classification(得到分类)与regression(数值预测)

unsupervised learning只基于input，算法为clustering

2. regression可以理解为基于所给出的点得到的尽可能多的包含这些点的线(functions)，因为有的时候我们得到的是规则而不是特定的某一条直线，这种情况称为hypotheses

对这条直线的查找最常用的model是least squares,也被称作OLS，即所有点距离这条线的距离的平方和最小，用J(θ)表示

如何求解J(θ)可以用gradient descent，即给θ一个初始值，然后按照梯度进行移动；具体做法需要对J(θ)求导，然后定义一个学习率a(可理解为步长，人为决定)，根据二者对θ不断更新

3. gradient descent可以分为两种，第一种为batch gradient descent，第二种为stochastic gradient descent，两者区别为第一种是对所有的点累加求和后再进行更新，而在第二种方法中，每做一个点就更新一下，所以第二种方法收敛速度更快，而第一种方法致力于整体的趋势

4. Probability一定准确，from populations to samples; statistics是from samples to populations，不一定准确(sampling的误差)

对于estimate来讲，如果sample的某一特性与整体的该特性相同，则称为statistically unbiased，如sample的平均值与整体的平均值相同，不符合的例子有如最高值或最低值

5. 对covariance而言，从公式中我们可以知道，如果Xi，Yi均大于或小于平均值，即结果大于0，一大一小反之，故而如果cov很大我们可以得到x,y呈正相关，从而判断关联性；correlation基本类似，只是把值压缩在-1到1之间

这里只是表现相关性，其他的如大小比较都不能参考这个

已知当J(θ)的导数为0时，J(θ)最小；我们可以用上述cov, var求θ0（第二种方法）

故而得到结论残差值为0，即比预测高的值之和等于比预测低的值之和；或所求直线到两边点的距离相同

6. 对于curve shapes而言，可以把x2拟合成x1^2，故而依然可以用linear regression

7. regularization解决overfitting的问题，以期用最简单的方式表达线，同样用J(θ)表示，前一部分与cost function类似，后一部分主要为了保证系数足够简单，系数前面的λ是为了权衡系数与cost function的重要性

对于系数部分，如果用平方表示为ridge regression，用绝对值表示为lasso regression

8. 对不同模型进行对比，需要对data set进行划分，train data用来创建model，validation data进行model测试, test data不可见

9. Bias指model与数据点之间的误差，variance是由于sample不同造成的误差

一个模型越简单，bias越高，variance越低

COMP9331

1. DSL数字用户线路，对称的，即上传下载速度相同

ADSL：非对称数字用户电路

COMP9517

1. analog image(模拟影像) --sampling+quantization-->digital image

spatial resolution(高分辨率占空间，低分辨率失真)

对于digital image我们定义了colour space，分为四类(RGB, HSV, YCbCr, L*A*B)，用于数字化存储图片

RGB(red, green, blue)

HSV(色相，饱和度，明度)

YCbCr(亮度，蓝色偏移，红色偏移)

2. digitization=sampling+quantization

sampling把图片画成grid形式；因为灰度有可能是连续值，但是我们存储的时候只能存储离散值，通常我们选取一个gray level（256为例，用不同的灰度表示不用的颜色），以此存储不同grid的颜色

3. spatial resolution; 分辨率，越高越清晰

4. image processing即图片的预处理，分为spatial domain与transform domain

spatial domain又分为intensity transformation（只针对一个像素）与spatial filtering

contrast stretching白色的部分全为纯白，黑色的全黑，突出中间部分

image thresholding找到中间的阈值，两边分别为全黑全白, 对于这个阈值的寻找方法有otsu's method, 使方差尽可能小;另一种方法为做出直方图，找出每个gray level对应像素点的数量，找到一个值使两边像素点相同，即阈值

对于multi-band thresholding，可能有多于两个的颜色

5. image negative将黑色变成白色，白色变成黑色，s=L-1-r

6. log transformations，s=c log(1+r)，将黑色部分延长放大，忽略白色部分；inverse log则相反

7. power-law与log transformation相似，只是加入了参数更加方便进行对黑/白两部分的压缩

8. piecewise contrast stretching也是对中间部分进行拉伸，突出细节；利用了一个分段函数得以实现

#目前的处理只针对黑白照片

9. gray-level slicing：凸显某一个灰度的信息，不感兴趣的区间设为全黑，感兴趣的区间设为一个较大的数值；若一个转换函数为左下到右上的直线，则表示不做处理保持原样

10. bit-plane slicing，压缩图片且尽可能保持信息，存储时将n位的存储进行逐层存储，去掉冗余信息，只留下有用的，从而进行压缩

11. 直方图的处理方式分为histogram equalization与Histogram matching

histogram中，digital image灰色等级[0, L-1], 每一个等级对像素点进行统计，我们可以对不同等级的概率进行计算，比较好的图片，每个level的概率比较均衡

Histograms equalization中有一个函数T(r)，在 [0, L-1]中单调递增，使得输入输出的灰色区间一致；转换方程见课件

matching根据上面函数的反函数，可理解为先转化成规则的，再转化成想要的

12. ROL reagion of interests, 用mask与原图结合得到感兴趣的区域

13. image averaging人为添加一下噪音，对类似的这些加有噪音的图片进行叠加，一定程度上error会抵消掉，对原始图片进行了优化

14. spatial filtering不单单用一个点，也要看邻居的点，利用卷积的计算方式，即对应位置相乘再相加

第一个转换为neighbourhood average，利用周围的点改善中间的点（求均值，可附加权重，如本身的值最重要）

或通过高斯函数，来确定不同的权重，边界锐化会损失掉，但是减少了噪音

另外，median filter在自己为中间的9个值里找到中间值

15. pooling，多格子变成少格子，取最大值最小值等，根据要求

16. derivation defination,分别进行一阶求导以及二阶求导，发现二阶导数可以更好的反应边界点（转折点），故而将这些边界点叠加到原始图片上，使边界更加突出