神经 网络测试样本集，【目标检测】论文推荐——基于深度的目标检测神经网络原文:可伸缩对象检测。深度卷积神经 网络在包括ImageNet大规模视觉识别挑战赛(ILSVRC2012)在内的多项图像识别基准测试上取得了最先进的性能。
在1、训练集、验证集和 测试集
big 数据的时代，我们目前的数据的量可能是几百万，所以验证集和测试 set与数据 total的比值会趋于更小。因为验证集的目的是验证不同的算法，哪个算法更有效，所以验证集要足够大，能够评估例如2个甚至10个不同的算法，快速判断哪个算法更有效。比如我们有100万数据，那么取10000数据，就足以评估并找出12个最好的算法。
假设我们有100万件数据，其中10000件作为验证集，10000件作为测试集，100万里取10000件，比例为1%，即训练集占98%，验证集和测试集各占1%。对于数据超过百万的应用，训练集可以占99.5%，验证和测试 set各占0.25%，或者验证集占0.4%，测试 set占0.1%。另外，就算没有测试 set也没关系。测试 set的目的是对最终选定的神经-3/系统进行无偏估计。如果不需要无偏估计，可以不设置。
原文:(youonlylookonce)是继RCNN和fasterRCNN之后的又一个地标目标检测算法。Yolo在保持良好准确率的同时，解决了当时基于深度学习的检测中的痛点速度问题。下图是各种目标检测系统的检测性能对比:如果fasterRCNN真正实现了基于深度学习的端到端检测，yolo则更进一步，将目标区域预测和目标类别判断集成到单个神经 网络模型中。
该置信度表示预测的框包含对象的置信度以及该框被预测的准确程度。其值计算如下:如果一个对象落在gridcell中，则第一项为1，否则为0。第二项是预测的boundingbox和实际的groundtruth之间的IoU值。
3、大 数据科学家需要掌握的几种异常值检测方法引言异常值的检测和报警一直是业界非常关注的问题。自动准确地检测系统的异常值，不仅可以节省大量的人力物力，而且可以尽早发现系统的异常情况，挽回不必要的损失。格推在Da 数据中也非常重视离群点检测。比如运维部门的流量管理业务，格推很早就开始了离群点检测的实践，也因此积累了丰富的经验。本文将从以下几个方面介绍离群点检测。
