1.机器学习概述
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
2.机器学习与线性代数的联系
矩阵有着许多不同的意义，在图像处理中，矩阵可以用来表示一幅图像，将特定的矩阵分解为低秩矩阵和稀疏矩阵是件非常有意义的工作。在计算机科学领域中,将矩阵分解为低秩部分与稀疏部分有多种应用。
特征值和特征向量可能是线性代数中最重要的概念之一。从机器学习、量子计算、物理到许多数学和工程的问题，都可以通过找到一个矩阵的特征值和特征向量来解决。
向量化是非常基础的去除代码中for循环的艺术，在深度学习安全领域、深度学习实践中，你会经常发现自己训练大数据集，因为深度学习算法处理大数据集效果很棒，所以你的代码运行速度非常重要，否则如果在大数据集上，你的代码可能花费很长时间去运行，你将要等待非常长的时间去得到结果。所以在深度学习领域，运行向量化是一个关键的技巧。
3.显著性检测概述
近年来，机器学习特别是深度学习技术迅速发展并成功应用到众多研究领域,例如，在视觉显著性检测研究领域，机器学习算法的引入极大地提高了视觉显著性检测模型的性能。
随着机器学习技术的蓬勃发展，借助于大量的标注数据集，机器学习算法被引入到显著性检测领域，研究人员提出了众多性能优异的有监督显著性检测模型，极大地推动了显著性检测研究的发展。近期，随着深度学习研究浪潮席卷全球，研究人员提出了众多基于深度卷积网络的显著性检测模型，显著性检测研究得到了极大的促进，性能得到了巨大的提升。
4.图像显著性检测现状
