Update README.md

README.md

@@ -4,76 +4,76 @@ works in real-time with detection and recognition accuracy up to 99.8% for Chine
   欢迎大家关注公众号：ai_portumo。 
  ![image](https://github.com/zhubenfu/License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9/blob/master/%E6%89%AB%E7%A0%81_%E6%90%9C%E7%B4%A2%E8%81%94%E5%90%88%E4%BC%A0%E6%92%AD%E6%A0%B7%E5%BC%8F-%E6%A0%87%E5%87%86%E8%89%B2%E7%89%88.png)  
   ![image](https://github.com/zhubenfu/License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9/blob/master/%E6%89%AB%E7%A0%81_%E6%90%9C%E7%B4%A2%E8%81%94%E5%90%88%E4%BC%A0%E6%92%AD%E6%A0%B7%E5%BC%8F-%E7%99%BD%E8%89%B2%E7%89%88.png)  
-  • 目录
-• 【第一章 线性代数】
-• 矩阵、迹、转置
-• 行列式、三角矩阵、行列式的性质、余子式
-• 克拉姆法则、齐次线性方程组
-• 逆矩阵、矩阵的初等变换
-• 矩阵的秩、线性方程组的解
-• 向量
-• 方阵的特征值和特征向量
-• 相似矩阵、矩阵对角化、对阵矩阵对角化
-• 二次型与矩阵正定性
-• SVD分解的证明、SVD分解、SVD分解的应用
-• 多元线性回归、最小二乘法
-• 【第二章 微积分】
-• 中值定理、柯西中值定理、洛必达法则
-• 泰勒公式
-• 函数的凹凸性、函数的极值
-• 不定积分、凑微分、分部积分法、定积分
-• 牛顿莱布尼茨公式
-• 全部积分、偏导数
-• 方向导数与梯度
-• 多元函数的泰勒公式、海森矩阵
-• 多元函数的极值
-• 矩阵的求导
-• 【第三章 概率论】
-• 条件概率、全概率公式、贝叶斯公式
-• 独立性
-• 离散随机变量、连续随机变量
-• 分布函数：均匀分布、指数分布、正态分布
-• 随机变量函数的分布
-• 多维随机变量
-• 边缘分布、条件分布
-• 期望（连续型、离散型）
-• 方差
-• 方差的常用性质、协方差
-• 协方差矩阵
-• 参数估计、矩估计
-• 极大似然估计、高斯分布、无偏性
-• 【第四章 机器学习】
-• 无约束优化、梯度下降法
-• 牛顿法、两种解释
-• 牛顿法的收敛速度
-• 有约束的优化、拉格朗日乘子的意义、KKT条件
-• 不等式约束
-• 约束问题总结：等式约束、不等式约束
-• 优化的对偶理论、原始问题、对偶问题
-• 【第五章 深度学习】
-• 容量、过拟合、欠拟合
-• 逻辑回归、线性回归、二项逻辑回归模型
-• 贝叶斯估计、频率派、贝叶斯派
-• QA J=‖xa−y‖^2 求导
-• PCA原理与推导
-• LDA、PCA与LDA区别
-• SVM支持向量机
-• 决策树
-• 传递函数、激活函数、损失函数、KL距离、相对熵
-• 前向传播、反向算法
-• 深度学习中的正则化
-• Bagging、Dropout
-• 深度模型中的优化
-• 动量Momentum、AdaGrad、Adam、BatchNorm
-• 卷积网络
-• CNN前向算法、反向算法、Pooling
-• Inception网络：V1、V2、V3、V4
-• 循环神经网络、前向、后向
-• LSTM
-• GRU
-• 深度学习中的一些高级技术
-• 神经网络量化
-• 对抗网络
+##目录：
+##【第一章 线性代数】
+矩阵、迹、转置
+行列式、三角矩阵、行列式的性质、余子式
+克拉姆法则、齐次线性方程组
+逆矩阵、矩阵的初等变换
+矩阵的秩、线性方程组的解
+向量
+方阵的特征值和特征向量
+相似矩阵、矩阵对角化、对阵矩阵对角化
+二次型与矩阵正定性
+SVD分解的证明、SVD分解、SVD分解的应用
+多元线性回归、最小二乘法
+##【第二章 微积分】
+中值定理、柯西中值定理、洛必达法则
+泰勒公式
+函数的凹凸性、函数的极值
+不定积分、凑微分、分部积分法、定积分
+牛顿莱布尼茨公式
+全部积分、偏导数
+方向导数与梯度
+多元函数的泰勒公式、海森矩阵
+多元函数的极值
+矩阵的求导
+##【第三章 概率论】
+条件概率、全概率公式、贝叶斯公式
+独立性
+离散随机变量、连续随机变量
+分布函数：均匀分布、指数分布、正态分布
+随机变量函数的分布
+多维随机变量
+边缘分布、条件分布
+期望（连续型、离散型）
+方差
+方差的常用性质、协方差
+协方差矩阵
+参数估计、矩估计
+极大似然估计、高斯分布、无偏性
+##【第四章 机器学习】
+无约束优化、梯度下降法
+牛顿法、两种解释
+牛顿法的收敛速度
+有约束的优化、拉格朗日乘子的意义、KKT条件
+不等式约束
+约束问题总结：等式约束、不等式约束
+优化的对偶理论、原始问题、对偶问题
+##【第五章 深度学习】
+容量、过拟合、欠拟合
+逻辑回归、线性回归、二项逻辑回归模型
+贝叶斯估计、频率派、贝叶斯派
+QA J=‖xa−y‖^2 求导
+PCA原理与推导
+LDA、PCA与LDA区别
+SVM支持向量机
+决策树
+传递函数、激活函数、损失函数、KL距离、相对熵
+前向传播、反向算法
+深度学习中的正则化
+Bagging、Dropout
+深度模型中的优化
+动量Momentum、AdaGrad、Adam、BatchNorm
+卷积网络
+CNN前向算法、反向算法、Pooling
+Inception网络：V1、V2、V3、V4
+循环神经网络、前向、后向
+LSTM
+GRU
+深度学习中的一些高级技术
+神经网络量化
+对抗网络
   【重要通知】：将从理论到实践，建立一个微信公众号，把近期的总结以专题形式公布出来，以上为初步目录：
   欢迎大家关注公众号：ai_portumo。
  ![image](https://github.com/zhubenfu/License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9/blob/master/%E6%89%AB%E7%A0%81_%E6%90%9C%E7%B4%A2%E8%81%94%E5%90%88%E4%BC%A0%E6%92%AD%E6%A0%B7%E5%BC%8F-%E6%A0%87%E5%87%86%E8%89%B2%E7%89%88.png)