机器学习

2016-07-22周涛阅读(496)评论(21)

支持向量机 (SVM)是一个类分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面。换句话说，给定一些标记(label ...

2016-07-13周涛阅读(239)评论(2)

机器学习算法总 是离不开训练样本的，通常情况下，你找到的图片并非仅仅含有正样本的，而应该是同时含有正样本和负样本的图 ...

2016-07-09周涛阅读(332)评论(4)

顾名思义，机器学习的 目的就是让机器具有类似于人类的学习、认识、理解事物的能力。试想一下，如果计算机能够对大量的癌症 ...

2016-06-07周涛阅读(394)评论(5)

版权声明：本文为博主原创文章，未经博主允许不得转载。

2016-06-07周涛阅读(293)评论(3)

本文摘自中国科学院计算技术研究所周昭涛的硕士论文《文本聚类分析效果评价及文本表示研究》的第三章，算是一则读书笔记吧， ...

2016-06-07周涛阅读(194)评论(5)

CV视觉网，转载请注明来源：CV视觉网 » 聚类算法初探（六）OPTICS

2016-06-07周涛阅读(389)评论(5)

CV视觉网，转载请注明来源：CV视觉网 » 聚类算法初探（五）DBSCAN

2016-06-07周涛阅读(210)评论(5)

CV视觉网，转载请注明来源：CV视觉网 » 聚类算法初探（四）K-means

2016-06-07周涛阅读(216)评论(5)

CV视觉网，转载请注明来源：CV视觉网 » 聚类算法初探（三）直接聚类法

2016-06-07周涛阅读(204)评论(3)

CV视觉网，转载请注明来源：CV视觉网 » 聚类算法初探（二）预备知识

2016-06-07周涛阅读(307)评论(5)

CV视觉网，转载请注明来源：CV视觉网 » 聚类分析初探（一）引言

2016-06-03周涛阅读(330)评论(3)

讲解主要内容如下： 1.什么是奇异值分解？为什么任意实矩阵都存在奇异值分解？ 2.怎么用C语言代码实现SVD分解？ 3.实际应用 ...

2016-06-03周涛阅读(546)评论(3)

本次内容主要讲解什么是支持向量，SVM分类是如何推导的，最小序列SMO算法部分推导。

2016-06-03周涛阅读(344)评论(4)

一、logistic回归分析简介 logistic回归是研究观察结果（因变量）为二分类或多分类时，与影响因素（自变量）之间关系的一种 ...

2016-06-03周涛阅读(439)评论(2)

def loadDataSet():     postingList=[[‘my’, ‘dog’, ‘has’, ‘flea’,  ...

2016-06-03周涛阅读(392)评论(3)

介绍Kalman滤波器理论知识，并给出一个演示的例子。由于Kalman滤波在目标跟踪时，需要不断获取观测向量，所以没法单独使用。 ...

2016-06-01周涛阅读(354)评论(1)

本文将分别介绍特征值分解、奇异值分解、及PCA的相关理论概念。

2016-06-01周涛阅读(254)评论(3)

机器学习基础系列文章总结介绍： 机器学习（十四）Libsvm学习笔记 机器学习（十三）k-svd字典学习 机器学习（十二）朴素贝叶 ...

2016-06-01周涛阅读(451)评论(3)

一、mean shift 算法理论 Mean shift 算法是基于核密度估计的爬山算法，可用于聚类、图像分割、跟踪等，因为最近搞一个项目 ...

2016-06-01周涛阅读(464)评论(4)

Libsvm软件包是台湾大学林智仁(Chih-Jen Lin)博士等用C++实现的LIBSVM库，可以说是使用最方便的SVM训练工具。可以解决分类问 ...

2016-06-01周涛阅读(424)评论(3)

一、字典学习 字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典D。从矩阵分解角度，看字典学习过程：给定样本数据集 ...

2016-06-01周涛阅读(248)评论(4)

本篇博文是我学习《机器学习实战》这边书时候的学习笔记。记得之前看到这个算法名 的时候，我以为很难，因为我不是很喜欢概 ...

2016-06-01周涛阅读(237)评论(4)

一、算法概述 谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最 ...

2016-06-01周涛阅读(359)评论(3)

一、相关理论 因为BP神经网络的求解是用到了梯度下降法，所以建议学习这个算法前，先推导一下回归拟合过程，把逻辑回归先好 ...

2016-06-01周涛阅读(253)评论(3)

学习Apriori算法建议用Python，因为python的集合函数功能相当强大，而Apriori涉及到集合的合并等运算。开始学习Apriori算法 ...

2016-06-01周涛阅读(278)评论(4)

一、相关理论     白化这个词，可能在深度学习领域比较常遇到，挺起来就是高大上的名词，然而其实白化是一个比PCA稍微高级 ...

2016-06-01周涛阅读(331)评论(3)

一、PCA相关理论 PCA算法又称主成分分析，是一種分析、簡化數據集的技術。主成分分析经常用于减少数据集的维数，同时保持数 ...

2016-06-01周涛阅读(545)评论(5)

高斯混合算法是EM算法的一个典型的应用，EM算法的推导过程这里不打算详解，直接讲GMM算法的实现。之前做图像分割grab cut 算 ...

2016-06-01周涛阅读(264)评论(4)

高斯混合模型和k均值聚类是聚类算法中的两种比较常用而简单的算法，这里先介绍k均值聚类算法。

2016-06-01周涛阅读(242)评论(4)

逻辑回归于线性回归的区别： (1)线性回归的函数拟合，用于数值预测，逻辑回归是二分类算法，用于分类 (2)线性回归模型： 逻 ...

2016-06-01周涛阅读(300)评论(4)

假设对于输入数据X(x1，x2……xn)，输出数据y，对于线性回归我的简单理解就是线性拟合。因为为之前就对拟合这个词比较熟悉，对 ...

2016-05-02周涛阅读(943)评论(5)

图像处理中的数学原理详解总结介绍： 图像处理中的数学原理详解总纲 图像处理中的数学原理详解1——总纲 图像处理中的数学原理 ...

2016-05-01周涛阅读(502)评论(3)

Deep Learning学习笔记总结介绍： Deep learning：二十五(Kmeans单层网络识别性能) Deep learning：二十四(stacked autoenc ...

2016-05-01周涛阅读(449)评论(5)

机器学习算法与Python实践总结介绍： 机器学习算法与Python实践之（一）k近邻（KNN） 机器学习算法与Python实践之（二）支 ...

2016-05-01周涛阅读(550)评论(5)

Deep Learning论文笔记文章总结介绍： Deep Learning论文笔记之（一）K-means特征学习 Deep Learning论文笔记之（二）Spars ...

2016-05-01周涛阅读(435)评论(5)

机器学习系列文章总结介绍： 机器学习系列(1)_逻辑回归初步 机器学习系列(2)_从初等数学视角解读逻辑回归 机器学习系列(3)_ ...

2016-05-01周涛阅读(297)评论(5)

谷歌的无人车和机器人得到了很多关注，但我们真正的未来却在于能够使电脑变得更聪明，更人性化的技术，机器学习。– 埃里克 ...

2016-05-01周涛阅读(653)评论(4)

1.引言 在离人工智能越来越近的今天，研究界和工业界对神经网络和深度学习的兴趣也越来越浓，期待也越来越高。 看过计算机通 ...

2016-05-01周涛阅读(1216)评论(5)

这学期选了门模式识别的课。发现最常见的一种情况就是，书上写的老师ppt上写的都看不懂，然后绕了一大圈去自己查资料理解， ...

2016-04-24周涛阅读(339)评论(4)

前言： 本文是用kmeans方法来分析单层网络的性能，主要是用在CIFAR-10图像识别数据库上。关于单层网络的性能可以参考前面的 ...

2016-04-24周涛阅读(303)评论(4)

前言： 本次是练习2个隐含层的网络的训练方法，每个网络层都是用的sparse autoencoder思想，利用两个隐含层的网络来提取出输 ...

2016-04-24周涛阅读(295)评论(6)

前言： 本次实验是练习Convolution和Pooling的使用，更深一层的理解怎样对大的图片采用convolution得到每个特征的输出结果， ...

2016-04-24周涛阅读(297)评论(6)

前言： 本节是练习linear decoder的应用，关于Linear decoder的相关知识介绍请参考：Deep Learning：十七(Linear Decoders， ...

2016-04-24周涛阅读(318)评论(6)

这又是Ng团队的一篇有趣的paper。Ng团队在上篇博客文章Deep Learning：二十(无监督特征学习中关于单层网络的分析)中 给出的 ...

2016-04-24周涛阅读(294)评论(6)

本文是读Ng团队的论文” An Analysis of Single-Layer Networks in Unsupervised Feature Learning”后的分析，主要是针对一个 ...