其他

理解共變數矩陣的關鍵就在於牢記它計算的是不同維度之間的共變數，而不是不同樣本之間，拿到一個樣本矩陣，我們最先要明確的就是一行是一個樣本還是一個維度，心中明確這個整個計算過程就會順流而下，這麼一來就不會迷茫了~ PS：均值化也是對於同一個維度資料來說的。 總結：均值化對於同一個維度資料來說的，共變數是不同維度之間的資料的相乘。如果A中列向量是一個樣本的話，那麼就用A'A來求共變數矩陣。如果A中行向量是一個樣本的話，那麼就用AA'來求共變數矩陣 再來總結一下在matlab中的cov這個命令。在mat

對於一個人的10副圖，每一副圖片按照從上到下，從左至右組成一個行向量，這個行向量的維度為n。a1,a2,...a10組成一個10*n的矩陣A。接下來說一下用matlab做的過程：1：計算A的沒列的平均值meanA矩陣，這個矩陣的大小是1*n的。2：計算A的共變數矩陣，直接利用matlab的命令covImages = cov(A)，得到的共變數矩陣為n*n的。3：計算covImages的特徵值和特徵向量，利用命令[V, D] =

前幾天討論班我講了基於PCA的Face

今天一朋友發給我了關於斯坦福大學andrew

至今看到很多paper中最佳化的時候就會有一個代價函數（Cost Function），之前一直在琢磨這個問題，請教了一些同學。不知道是說的太抽象還是怎麼回事就是理解不了，今天通過一個例子明白了這個東東。舉個例子吧。簡單的，就是一個變數做迴歸的時候。M個樣本，分別是(x1,y1)，(x2,y2)。。。。(xM,yM)。我使用的模型是f=kx。那麼得到一個方程F = kx1+kx2+...kxM。我迴歸的時候為了讓誤差小，得到一個方程C = kx1-y1 +

1：因為PCA搞到最後需要求特徵向量，我拿書來看特徵向量求解方法的時候，翻看到了向量子空間，一直有這麼個錯誤的理解。先明確下向量空間就是對加法和標量乘法封閉。2：首相定義U是個向量空間，定義在Fn上的也就是U的元素是這樣子的{(X1,X2,X3....Xn)|Xi屬於F}。3：子空間就是U的子集就是子空間V，我之前理解成V是這樣子的了(Y1,Y2)或者(Z1,Z2,Z3)..其實這個是不對的，因為仔細看定義就知道U的子集，那麼什麼是一個集合的子集？就是集合的部分元素，那麼集合的最基本的元素是什麼

比如一個向量X=[1 2 5 0 4 0 2 0 0 8 0 1 0]，想按照X的原來的順序把非0的元素剔除掉，怎麼辦呢？當然你寫程式來做也是個辦法，我這裡給出一個用矩陣運算來做的方法。步驟如下：1：計算X中非0元素的下標，放入在W中，下標從1開始。那麼對應這個X的W就是W=[1 2 3 57 10 12]。2：構建矩陣N，N的行數為X的列數，N的列數是W的列數。然後讓N的全部元素都為03：讓N(W(1,i), i)=1，i的取值範圍是0到W的列數。4：讓X和N相乘，就得到結果了！

正確率、召回率和F值是在魚龍混雜的環境中，選出目標的重要評價指標，本文就針對這三個指標得瑟得瑟。        不妨看看這些指標的定義先：正確率 = 正確識別的個體總數 /  識別出的個體總數召回率 = 正確識別的個體總數 /  測試集中存在的個體總數F值  = 正確率 * 召回率 * 2 / (正確率 + 召回率)       

今天看PC的一個文章的時候作者提到了，我們知道一組數比如求它的標準差，我們知道公式是：分母為什麼是n-1而不是n呢？這個問題需要我們從統計學的知識開始說起來，統計學就是通過對一部分資料（樣本）的觀察分析，來擷取整體資料的特徵。也就是說我們的目的是為了獲得整體資料的資料特徵，而經過實際測試指導，如果是選取的一部分資料這個分母為n-1的時候最能接近整體的真實測量值，如果這個地方選用的整體資料，那麼除以n是精確值。結論：經測試知道，當n為部分樣本資料的時候，分母為n-1的時候最為接近整體資料的真實值。

由於DWZ中只能統一的改變表徵圖，這個地方對它進行了修改可以給節點添加對應的icon。使用方法是：<li class="t_1" value="123" iconCls="home_icon"><a href="#">asdasd</a><ul><li class="t_1" iconCls="home_icon"><a href="#"

      近來有一同事(以前在別的公司工作過好幾年)試用期剛滿兩個月就被要求捲鋪蓋走人了，理由跟男女朋友分手的理由一樣：不合適。當那位同事說出“不合適”時，一臉的不愉快、無奈，估計還在琢磨這“不合適”裡面的豐富含義，又或者在不停挖掘著自己哪裡“不合適”。但估計他不會想到這個“不合適”卻是他常常說的“我明白”惹的禍。      態度很重要。領導找談話，每句話還沒有說到一半，就一個“我明白”讓領導把後面的話吞到肚子裡，但執行的時候卻是按個人意願行事的；布置任務時，還沒聽到一半就猛地點頭“我明白”，

1：對文本的分類，不管用什麼進階的方法，首先還是需要建立數學模型的，這個地方就用SVM來建立，他的原理是根據文本的特徵，比如一個文本有10個特徵（一般來說每個特徵是一個代表這個文本的關鍵詞），那麼這個文本向量大小就是10了。具體的每個值就是這個特徵的權重（關於權重的計算很多種，我這個地方只用了詞頻來代表）。然後讀入測試本文，根據該測試文本中的特徵，看和樣本中的特徵的向量做運算，這個地方用的是求向量的夾角，用餘弦值來表達，夾角大的就偏的遠，否則比較近（這個地方沒考慮到角度大於90°的情況）。2：這

很多人其實都知道可以利用函數的二次導數來判斷函數的凹凸性，但是很多人忘記了怎麼來證明的，在這裡我來再次證明一下。求證：若f(x)在(a,b)內連續並且二次可導，若f''(x)>0則函數凹，反之函數凸前序：先給出幾個定理以及說明。關於函數凹凸性的說明：函數f(x)在(a,b)內連續，對於任意的a<x1<x2<b，其中x0=(x1+x2)/2，若f(x0)<(f(x1)+f(x2))/2，則認為該函數(向上)凹；若f(x0)>(f(x1)+f(x2))/2，則認為

入學快3年了，上半個學期快結束的時候才意識到到底該系統的學習哪些課程，這個學起來就根據去年的認識在做一個完整系統的課程複習+學習，複習的是之前學過的課程比如高數、線性代數和機率這些，學習的是之前從沒學過的課程比如訊號系統、最佳化理論。由於我的學習方向是機器學習，所以我覺得這些課程對於我來說意義很大，儘管之前學過，其實都在看paper的時候根本聯絡不起來或者不會靈活運用，根本想不到當時學過的這些知識。對於高數，我這次複習主要看了極限、導數、微分、一元函數極值、不定積分、定積分、隱函數求導法則、二元

 下午看了斯坦福機器學習的第二節課，主要是講解的監督學習中的迴歸問題，更多的是迴歸方程中系統的求解，用到了梯度下降演算法。具體的證明過程暫時還不知道，只知道了大概意思，作為入門先這樣理解吧，我來寫個總結，當前先有問題引入。1：問題引入，有類似下面的一組資料（假定有m個這樣的資料）： 吐槽下：CSDN的線上編輯器真難用，數學符號什麼的都不支援。。。。

這學期又重新修了老闆的機器智能課程，相比前兩個學年的，這次聽的更認真了，上了第一節課，讓我更加知道了什麼是機器智能，在這裡做個總結吧，我大概的寫下：1：什麼是智能智能是一種知道學習什麼，從什麼地方學習，理解並且能夠和環境進行互動的一種能力。簡單的說智能就是一種能力。2：智能來自哪裡智能來自大腦，它是一種行為，或者說是一種能力，這種行為或者能力和神經元細胞有關。3：什麼是機器智能就是讓機器具備這種能力不難理解，為了讓機器具備智能，而智能和神經元細胞有關，所以我們需要瞭解神經元工作的原理，然後讓這種

去年已經開始在接觸低秩表達，最近學習到一些paper，發現對這個還是不是很理解，今天從這裡開始記錄一下對低秩表達的學習。目前低秩表達主要用在子空間分割上，也就是給定一組資料，這組資料是從某幾個子空間上來的，通過低秩表達可以達到對來自這幾個子空間的資料進行聚類，可以找到哪些資料時來自具體的哪個子空間。首先子空間分割有很多種方法比如基於機率模型的（由於高斯分布最能代表一個子空間，所以一般基於這種方法的資料都符合高斯分布）其次是基於分解的方法，一般是基於現有分解方法的修改，並且是基於多次迭代完成的接著

昨晚到現在一直在找比較好用的方案，phpexcel還有個很強大的那個組件以及xml轉化等都嘗試了，最簡單的莫過於ext自己提供的gridtoexcel，首先這個是根據當前ext的查詢結果直接匯出的，這個就很便於不管前台使用者怎麼查詢，反正可以匯出他想要的查詢結果很方便。1：網上很多關於這個的用法，有在當前頁面建立隱藏的form來實現的2：也有還是建立隱藏form，但是提交的是

最近在看sparse and redundant representation，可能由於不經常看類似文章的問題，有些翻譯按照字面來理解根本無法理解，覺得前後矛盾。在第一頁看到一句話這麼說：矩陣A式n*m的n小於m，如果b is not in the spans of columns of matrix

1：這是我在看qt的一個pdf的時候遇到的問題。代碼如下： myDlg my1;if(my1.exec()==QDialog::Accepted){w.show();return