Dicom文件打开（.dcm后缀）

DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信，是医学图像和相关信息的国际标准（ISO 12052）。它定义了质量能满足临床需要的可用于数据交换的医学图像格式

XGBoost原理分析与快速实践

1. Boosting树模型

XGBoost是Boosting树模型的一种（当然XGBoost也可以使用除树之外的其他的线性模型），其他还有许多的Boosting树模型，下面首先对Boosting树模型做一些简要的介绍。

箱线图

箱线图是基于五位数显示数据分布标准化方法

Pandas学习

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。（来自百度百科）

Faster-RCNN详解

1. 向前传播过程

1.1 CNN提取特征

就是将图片输入到预训练好的CNN网络中获取特征图feature map。

以含有四层maxpool的vgg网络为例，输入图片大小为（w,h,3）,则输出特征图的大小为（w/16, h/16, 512）

迁移学习只进行部分层的训练

迁移学习：主要有3类：

• 第一类，使用别人训练好的权重参数，作为初始化权重参数，进行接下来的训练
• 第二类：使用别人训练好的权重参数，冻结预测层之前的所有的权重参数，进行接下来的训练
• 第三类：使用别人训练好的权重参数，即finetune，不冻结最后一个卷积层和全连接层，对这两个层进行参数的更新和训练

python中的[n::m]

前一阵子读代码的时候发现了这样的写法，大概自己试了一下，n表示起始坐标，m表示间隔，举个例子就知道了

Faster-RCNN源码解析（simple-faster-rcnn-pytorch）

这里采用源码地址：点我

想了很多种方式详细解析Faster-rcnn的源码，但是Faster-rcnn源码比较复杂，有比较长，功能模块又非常多，一一介绍的话可能会看的晕头转向，所以我还是从预测和训练两个过程种用到的一些功能模块进行一些介绍，这是我个人阅读过程的理解（自己复盘的时候也能快速上手），当然能供大家参考就更好了，如有错误还望指正。

RCNN详解

RCNN即region proposals（候选区域） + CNN，是将CNN引入目标检测领域的开山之作（2013年），大大提高了目标检测的效果，在其后也是出现了更优异的变体Fast RCNN, Faster RCNN。

下文按照RCNN的工作过程依次介绍

决策树原理分析与实践

决策树零基础入门到实践，理论部分：会介绍决策树的生成，决策树的各种种类（ID3、C4.5、CART）以及一些数据处理（缺失值和连续值）和优化（预剪枝和后剪枝）。实践部分：以Kaggle著名的Titanic数据集（点击这里）为基础，不使用任何机器学习库完成的一颗CART决策树，并且最后进行了后剪枝操作（能看到明显的优化效果，需要完整代码和数据的可以点击这里：点我）。