其他

         從這節算是開始進入“正規”的機器學習了吧，之所以“正規”因為它開始要建立價值函數（cost function），接著最佳化價值函數求出權重，然後測實驗證。這整套的流程是機器學習必經環節。今天要學習的話題是羅吉斯迴歸，羅吉斯迴歸也是一種有監督學習方法（supervised machine

          貝葉斯決策一直很有爭議，今年是貝葉斯250周年，曆經沉浮，今天它的應用又開始逐漸活躍，有興趣的可以看看斯坦福Brad Efron大師對其的反思，兩篇文章：“Bayes'Theorem in the 21st Century”和“A250-YEAR ARGUMENT:BELIEF, BEHAVIOR, AND THE BOOTSTRAP”。俺就不參合這事了，下面來看看樸素貝葉斯分類器。         有時我們想知道給定一個樣本時，它屬於每個類別的機率是多少,即P(Ci|X),

在編碼中我們會經常使用logj進行某個地方監控,這時候就需要用到log4j了.log4j.xml的模板如下<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE log4j:configuration SYSTEM "log4j.dtd"> <log4j:configuration xmlns:log4j="http://jakarta.apache.org/log4j/" debug="false">

基於ASM的目標檢測       ASM(Active Shape Model：主動形狀模型)是Tim

之前用的是swing來顯示Prefuse.後來想用SWT顯示這樣更和window的介面匹配.參考網址http://cping1982.blog.51cto.com/601635/130275/ 所以把學習(二)中的,main方法修改為/** * @param args */public static void main(String[] args) {// TODO Auto-generated method stub DatabaseDataSource datasrc = null;

本文原文串連: http://blog.csdn.net/bluishglc/article/details/7612811 ,轉載請註明出處！1.XAXA是由X/Open組織提出的分散式交易的規範。XA規範主要定義了(全域)交易管理員(Transaction Manager)和(局部)資源管理員(Resource Manager)之間的介面。XA介面是雙向的系統介面，在交易管理員（Transaction Manager）以及一個或多個資源管理員（Resource

android要求所有的程式必須有簽名，否則就不會安裝該程式。在我們開發過程中，adt使用debug keystore，在 preference->android->buid中設定。debug的keystore預設有效期間為一年，如果你是從一年前開始開發 android程式，那麼很可能出現debug keystore到期，導致你無法產生 apk檔案。   解決辦法： 進入 C:\Documents and Settings\Administrator\.android\

基於霍夫變換和廣義霍夫變換的目標檢測        上節討論了基於閾值處理的目標檢測，今天就來討論下基於霍夫投票的目標檢測，霍夫投票打算分成兩個小節，第一個小節簡單的說下霍夫變換和廣義霍夫變換（generalized hough transform），他們投票的權重都是相等的，下一節討論機率空間中的霍夫投票，顧名思義他們的投票權重是不確定的。      先來看下霍夫變換（hough

       做機器學習的一定對支援向量機（support vector machine-SVM）頗為熟悉，因為在深度學習出現之前，SVM一直霸佔著機器學習老大哥的位子。他的理論很優美，各種變種改進版本也很多，比如latent-SVM, structural-SVM等。這節先來看看SVM的理論吧，在（圖一）中A圖表示有兩類的資料集，圖B,C,D都提供了一個線性分類器來對資料進行分類？但是哪個效果好一些？（圖一）       

下面貼出RBM C++版本的代碼，一些大牛寫的，結合上篇博文來加深大家對RBM理論的理解。。。RBM類定義聲明：class RBM {public: int N; int n_visible; int n_hidden; double **W; double *hbias; double *vbias; RBM(int, int, int, double**, double*, double*); ~RBM(); void contrastive_divergence(int*

        決策樹也是有監督機器學習方法。

        最近比較忙，再看ASM和AAM的東西，沒時間更新霍夫推理的部落格，準備把他放在後面基於機器學習的目標檢測來寫，分享下deep learning最新的小料：Google公開了深度學習部分應用，Google語音搜尋主管Vanhoucke於19號在ICML做了個的語音辨識與深度學習的講座（PPT連結），另附上一個關於無伺服器叢集的散戶使用deep learning的應用的討論（連結）。在來一個lecun在ICML2013上的的deep learning

文章目錄 2.1.1.   DTO 2.1.2.   Assembler2.1.3.   Facade 領域驅動設計(Domain Driven Design)參考架構詳解摘要本文將介紹領域驅動設計(Domain Driven

       按照《機器學習實戰》的主線，結束有監督學習中關於分類的機器學習方法，進入迴歸部分。所謂迴歸就是資料進行曲線擬合，迴歸一般用來做預測，涵蓋線性迴歸（經典最小二乘法）、局部加權線性迴歸、嶺迴歸和逐步線性迴歸。先來看下線性迴歸，即經典最小二乘法，說到最小二乘法就不得說下線性代數，因為一般說線性迴歸只通過計算一個公式就可以得到答案，如（公式一）所示：（公式一）     

關於Jedis如何下載安裝，有很多文章介紹，在此就不做過多說明相對來說Jedis的並發要好的多，下面是一個簡單例子：/** * RedisTest.java * 著作權(C) 2012 * 建立:cuiran 2012-05-12 14:31:48 */package com.wpndemo.redis;import redis.clients.jedis.Jedis;import java.util.Iterator; import java.util.Map; /** * TODO *

本文著重介紹sharding的基本思想和理論上的切分策略，關於更加細緻的實施策略和參考案例請參考我的另一篇博文：資料庫分庫分表(sharding)系列(一) 拆分實施策略和樣本示範 一、基本思想     

本文原文串連: http://blog.csdn.net/bluishglc/article/details/7696085 ,轉載請註明出處！本文著重介紹sharding切分策略，如果你對資料庫sharding缺少基本的瞭解，請參考我另一篇從基礎理論全面介紹sharding的文章：資料庫Sharding的基本思想和切分策略

基於霍夫森林的目標檢測       上節說了霍夫變換（HT）和廣義霍夫變換（GHT），今天就接著廣義霍夫變換說下去，在廣義霍夫變換中，每個投票元素（比如邊緣像素中的點）在霍夫空間中累加投票的權重是相等的，每個元素投票的權重互不影響，這其實是假設了映像空間中的每個像素點是獨立的，但現實是這樣的嗎？答案:不是，尤其是牽扯到我們今天的基於組件的投票時，這種投票元素互相獨立的觀點更站不腳，學過機率圖模型(probabilistic graphic

          機器學習分兩大類，有監督學習(supervised learning)和無監督學習(unsupervised learning)。有監督學習又可分兩類：分類（classification.）和迴歸（regression），分類的任務就是把一個樣本劃為某個已知類別，每個樣本的類別資訊在訓練時需要給定，比如Face

稀疏編碼(sparse coding)和低秩矩陣(low rank)的區別       上兩個小結介紹了稀疏編碼的生命科學解釋，也給出一些稀疏編碼模型的原型(比如LASSO),稀疏編碼之前的探討文章就不說了，今天開始進入機器學習領域的稀疏表達。稀疏編碼進入機器學習領域後，出現了很多應用，比如計算視覺領域的映像去噪，去模糊，物體檢測，目標識別和互連網領域的推薦系統（Collaborative filtering）用到的low rank,其實sparsecoding和low