线性回归：距离地铁站的远近一般会影响房子的租金，距离远近和租金之间的关系就是一个线性相关的关系，这两个数据的之间的换算公式就是线性回归方程，最简单的线性方程就是一元一次方程 y = ax + b
逻辑回归：用来判断是否的公式，比如根据薪资水平、工作环境、离家远近、晋升通道等因素来判断是不是一个好工作就是一个逻辑回归的问题。
损失函数：判断一个公式拟合程度的公式，最后一般会算出来一个数值叫损失值loss，越大表示拟合得越不好。线性回归方程一般用方差作为损失函数。
优化函数：计算机用来减少损失值loss的函数
激活函数：一个模型有多个层次（进行多次回归计算）的时候会有多余或者非常重要的自变量，但人事先是不知道的，激活函数就是在计算的过程中对这些自变量的权重进行非线性变化，以快速强化或者弱化某个因素，以优化模型的拟合（有点遗传算法里面突变的思想，但是两者的数学实现方法是不一样的）。
交叉熵函数：逻辑回归情况下常用的损失函数。逻辑回归是一种评级的制度，如满分10分最后得分为9分就判断待评价物是比较好的东西，但是方差作为损失函数时候最后的损失值会很大，并不适合逻辑回归做是/否判断，所以出现了交叉熵函数，它会把最后损失值局限到[0,1]之间，这样就方便作为评价指标。
softmax多分类函数：交叉熵函数的加强版，交叉熵只能进行是或否两种类型的判断，如果是3种及以上结果的情况就不行了，所以出现了softmax多分类判断，如根据双方球员的数据判断一场足球赛是客方胜、主方胜、还是平局，softmax会对3种可能都计算出一个概率：客方胜率0.65、主方胜率0.3，平局概率0.05，所有情况概率值加起来肯定等于1
归一化：遥感方向主要都是输入图片为主，输入的时候都要记得除以255来归一化
flatten函数：模型接受的单个数据都为1*q的矩阵，但是图片都是n*m*3的形式，所以在写代码的时候会看到flatten压平函数，他将n*m*3的图片矩阵数据压扁成1*q的矩阵
顺序标签与one-hot编码：假设有一个模型可以对鞋子、包包、衣服的图片进行识别，我们输入一张图片如果输出的结果是[2,0,1]，则表明模型认为该图片为衣服概率最大，鞋子概率其次、包包概率最小，这种输出[2,0,1]的形式就表明标签是按照顺序表达；但是如果输出的结果是[0.1, 0.3 , 0.6]则表示模型认为是鞋子的概率是0.1 包包概率是0.3 衣服概率是0.5, 这种表达方式就表明事先对标签进行过one-hot编码，以让输出结果更符合人们常规的概率表达方式。（ 顺序标签的使用sparse_categorical_crossentropy作为损失函数，one-hot标签使用categorical_crossentropy）
2. 传统机器学习的一些经典方法 3. Tensorflow编程入门：实现传统的模型 4. 图片识别
含义：识别出图片中有啥的算法，如下图
5. 目标检测含义：识别出照片中有啥，并能框选出来的算法，如下图
6. 语义分割含义：识别出图片中有啥，不框选而是精确抠图
7. 实例分割含义：识别出有啥、精确抠图、且把每个个体都能挑出来
8. 全景分割含义：实例分割的基础上，还能分割背景
未完待续 2022-7-10
