• 作者：鲁力
• 原文：https://github.com/datawhalechina/Daily-interview/tree/master/machine-learning
• 联系方式：jieyuhuayang@foxmail.com

1. Adaboost简介

1.1 集成学习（ensemble learning）背景介绍

集成学习（ensemble learning）通过构建并结合多个学习器（learner）来完成学习任务，通常可获得比单一学习器更良好的泛化性能（特别是在集成弱学习器（weak learner）时）。

目前集成学习主要分为2大类：

一类是以bagging、Random Forest等算法为代表的，各个学习器之间相互独立、可同时生成的并行化方法；

一类是以boosting、Adaboost等算法为代表的，个体学习器是串行序列化生成的、具有依赖关系，它试图不断增强单个学习器的学习能力。

总结R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN、YOLO(v1 v2)、SSD 参考

FCN，于2015年被Jonathan提出，是应用在Semantic segmentation中，下面总结与CNN有何不同，以及它的优缺点。

GN(Group Normalization)解决了在Batch Size太小时BN失效的问题。总结如下：

主要学习了BN、Layer Normalization、Instance Normalization及Group Normalization,具体如下：