機器學習的基本原理。就像下面的漫畫：你告訴一台電腦，1+1 =2 然後，問它，它回答等於500，你一邊丟他老木，一邊不停的矯正，告訴它等於2，等於2，經過無數次的矯正，最後電腦終於知道1+1 =2，那麼第一階段目標達成。。。然後你就可以開始教它1+2 =3 了。
不管是啥學習，關鍵在於學習兩個字，從人類獲取知識的角度來說，最標準的流程就是：教——學。首先要有老師教，也就是所謂的啟蒙，之後再進去引導，最後才是完全的自學。哪怕是在自學中，如果有人正確的提點，那麼效果也會比自學好很多倍。
機器學習也是一樣，首先要有「教」的過程，這個過程就是人們先設定好很多樣本，不斷的告訴機器，這個東西是啥，告訴的過程就是所謂的「訓練」，比如識別蘋果，人們先準備幾百張（幾千？幾萬？幾十萬？）張不同角度，不同顏色、不同表現的蘋果的，然後用相應的模式提取出表達為蘋果的特徵，然後這些特徵轉換成機器能夠讀懂的資料模型，比如rgb為255,0,0的就是紅色，大部分蘋果的顏色都是紅色——諸如此類的。
然後就可以呼叫分類演算法，把這些特徵的閾值都計算出來，做出分類模型，這樣啟蒙的過程就算完成了。
下面來了一張新的，繼續把這張提取特徵，用新提取的特徵，去原來訓練好的模型裡面去驗證一下，如果符合某些設定，那麼機器就會告訴你，這個裡面有沒有蘋果。
接下去，機器判別之後，人類還可以繼續介入，肯定機器是正確的，還是錯誤，然後給定乙個評分，就像老師批改家庭作業和測試一樣，然後把新的再加入到樣本集中，修正模型。
如此往復，當時這個模型訓練的次數足夠多（五年高考，三年模擬）……那麼識別的能力也會越難越強。
好吧，寫完之後，發現，我們的考試制度，實際上就是為了把人當成機器來培養……題目做得多，就考得更好。（也不知道是人在學習機器，還是機器在學習人……）
通過前面的接受，大家基本上知道機器學習的乙個基本原理了，那麼現在影像提取中，如何去應用呢？
實際上在很多年前，影像提取就已經有物件導向提取方法以及監督分類方法等，利用了機器學習的基本思想，但是每次去做，只是針對當次處理的資訊和結果。
現在遙感解譯領域， 最大的乙個點，依然是「人工向量化」。
通過人工對遙感影象進行解讀，然後手動向量化，提取相應的資料：地塊、道路等等。這種工作的方式本來無可厚非（自動解譯的準確度實在太低了）。但是在我們做人工解譯的過程中，確沒有留下任何可以復用的成果。
比如有一副影像圖，交給內業工作人員，讓他們進行道路提取，一般情況下就是工作人員直接在影像圖上進行向量化，把道路的線直接給繪製，生成向量的line，然後賦予屬性，最後結束工作。
第一年這樣做，第二年也這樣做，第三年、第四年……
做了n年之後，依然沒有任何幫助。訓練出來了一堆精通向量化的勞動密集型工作者。
那麼為什麼我們不換乙個思路呢？有這麼多老師，為什麼不能把他們從畫圖者轉換為訓練員呢？如果說在其他領域裡面，樣本庫的獲得是最難的，那麼恰恰在我們gis裡面，它們是最容易的。
如果說進行人工解譯的時候，把所有的特徵資料通過提取——標記的方式，製作成樣本庫，將這些樣本庫作為機器學習的樣本來提供給程式進行訓練。這種方法會被人直接跳出來準備用磚頭呼在蝦神臉上：你說得輕鬆，向量化本來就很辛苦了，還給你去做提取標記，這是n倍的工作量好吧！你來開工資麼？就算你你開得出工資，專案時間呢？我們爭分奪秒的幹活，你還在這裡不切實際的在幻想……最後總結出一句話：不懂的走開，瞎指揮……
實際人的工作量完全沒有增加，也不用重複工作。當繪製出向量資訊之後，把向量線（或者面）寫入屬性資訊，那麼需要做僅僅是利用這些向量的面（或者線）直接對柵格資料進行乙個按掩膜提取就可以了。
如果說從柵格變成向量，需要人工來處理，那麼從向量回過頭來提取柵格，這個過程完成可以利用指令碼或者modelbuilder自動化來實現：看下面這個示例：
如下影像資料
向量化之後：
只需要利用向量化之後的地塊進行掩膜提取即可：
提取結果如下：
草地1：
花田1：
打完收工。
最後做乙個簡單總結：
1、遙感影像要進行機器學習獲取樣本，很容易的可以從向量化結果中來。
2、向量化將不再是結果，而只是乙個中間的過程。
3、gis的傳統工具，在大資料中，依然會變得很有用，正如英國人發明了坦克，而德國人僅僅在使用的手法上做出了一些改變，就改變了整個戰爭的形態。
4、當我們做的工作越來多，那麼我們的樣本庫就會越來越豐富，那麼機器就會越來越聰明……千里之行始於足下，就從基礎資料提取開始吧。
基於向量的運動
有三個三角形小車，其中預設行為是紅車追綠車躲藍車，綠車追藍車躲紅車，藍車追紅車躲綠車。在追逐的過程中，如果遇到牆壁就換方向。其中紅車可以受滑鼠的影響，如果滑鼠在畫布中按下，紅車就會無視預設規則，向滑鼠位置移動。這個demo中所有的運動都是基於2d向量的，沒有直接進行x,y,三角函式等運算。另外，追逐...
基於統計的詞向量
glove 的訓練過程 實質上還是監督學習 雖然 glove 不需要人工標註為無監督學習，但實質還是有 label 就是 log xij 向量 和 為學習引數，本質上與監督學習的訓練方法一樣，採用了 adagrad 的梯度下降演算法，對矩陣 x 中的所有非零元素進行隨機取樣，學習曲率 learnin...
基於向量檔案渲染思考 mapnik
作為一名giser,現處於交通行業 交通行業與gis結合確實是一件很有意思的事情 最近遇到乙個大資料量下的向量檔案在前台載入渲染直接崩潰問題，處於這個節點上，做了如下思考 var mapnik require mapnik var fs require fs var img new mapnik.i...