项目背景与任务描述 语义分割是计算机视觉中的一项基础任务，其目标是对图像中的每一个像素进行分类。与图像分类任务只输出整张图片的单一类别不同，语义分割需要输出与输入图像相同尺寸的分割图，其中每个像素都被赋予一个类别标签。 本项目聚焦于水下图像的语义分割任务。水下环境具有独特的挑战性：光线在水中衰减导致
机器学习导论与分类基础 机器学习核心定义 机器学习是一种设计预测函数的方法论，其特点在于设计过程是非显式的，不手动编写规则，而是让系统从大量示例数据中自动归纳规律并泛化到新情况。 机器学习问题涉及三个基本要素：待解释的数据 x（传感器测量值、文字、图片、音频等），预测结果 y（决策、分类标签、数值预
实验二：正则化回归与模型选择 - 完整详细学习笔记 实验目标与核心思想 这个实验课设计了四个紧密相连的学习目标。首先要通过多项式回归来直观展示过拟合现象和偏差-方差权衡这一机器学习的核心概念。其次，要学会使用交叉验证来估计模型的泛化误差，这是评估模型真实性能的关键技术。第三，要理解Ridge和Las
实验一：线性回归导论 - 完整详细学习笔记 实验目标与总体设计 这个实验通过三个核心目标系统地介绍了线性回归的理论基础和实践应用。首先是手动实现普通最小二乘法（OLS），深入理解其数学原理和计算过程。其次是通过蒙特卡罗模拟验证Student's t定理，这是线性回归统计推断的理论基础。最后将理论应用
第一章 统计学习导论与线性回归回顾 1.1 统计学习基础 1.1.1 课程目标与结构 这节课有三个核心目标。首先是介绍统计学习的基本概念，让我们理解什么是统计学习以及它的基本思想。其次是建立回归和分类问题的数学框架，这个框架是后续所有方法的基础。最后是回顾线性回归，因为线性回归是最基础的方法，理解它
介绍 这篇论文解决的是强化学习中一个非常重要但长期被忽视的问题：Q学习算法会系统性地高估动作的真实价值。 强化学习的目标是让智能体通过与环境交互，学习到一个能够最大化累积奖励的策略。Q学习是实现这一目标的核心算法之一，它通过学习每个"状态-动作"对的价值来指导决策。Q-learning算法由Watk
强化学习实验1：多臂老虎机问题 问题的本质 多臂老虎机问题是强化学习中最基础的问题类型。想象你面前有 k 台老虎机，每台机器拉动手臂后会给你一个随机奖励，但你不知道每台机器的奖励规律。你有有限的尝试次数（比如1000个硬币），目标是最大化总收益。 这个问题的核心难点在于探索与开发的权衡。如果你花太多
强化学习基础导论 经典控制与强化学习的对比 控制系统的核心思想是通过反馈机制来调节系统行为。具体来说，系统接收控制器发出的输入信号 u(t)，然后产生输出 y(t)。系统还有一个目标输出 y_{ref}(t)（参考信号或期望输出）。控制器的作用就是比较当前系统的实际输出 y(t) 和我们期望的输出
Q1：矩阵 \boldsymbol{A} 和 \boldsymbol{X} 的尺寸 高光谱图像数据由一个三维矩阵 \boldsymbol{A} 编码，其维度为： \boldsymbol{A} \in \mathbb{R}^{h \times w \times n_\lambda} 其中： h 是图像
问题背景 图像反卷积的目标是从一张模糊图像中恢复出清晰的原始图像。在实际测量系统中，由于设备精度有限、响应时间非零等原因，获取的图像总是真实场景的变形版本。以对焦不准的相机为例，一个理想的点在成像后变成了一个扩散的斑点，整张图像就是所有点对应斑点的叠加结果，即发生了卷积模糊。 描述这一过程最简单的数
