其他

續寫《程式員面試寶典——螺旋隊列解法解析》先附上c++代碼，看懂的人可以不必看代碼下面的舉例說明了。#include <iostream>using namespace std;#define max(a,b)((a)>(b)?(a):(b))#define abs(a)((a)>0?(a):-(a))//螺旋隊列解法int foo(int x, int y){int t = max(abs(x), abs(y));//int u = 2*t;//int v =

距上次看Face Recognition的論文已一年有餘早聞 Robust Face Recognition 引用很高，看了之後，確實實驗部分很暴力：近10個實驗裡面跟 Eigenfaces Fisherfaces Laplacianfaces 都有比較1.M. Turk and A. Pentland, “Eigenfaces for Recognition,” Proc. IEEE Int’l Conf. Computer Vision and Pattern Recognition, 19

作者 Kevin P Murphy的首頁：http://www.cs.ubc.ca/~murphyk/；ML：aPP的首頁：http://www.cs.ubc.ca/~murphyk/MLbook/index.html；本書提供了一個matlab/python的toolbox，very

K-Means和K-Medoids演算法是學習領域比較普通的聚類演算法(無監督學習)，本文介紹原理及Matlab實現代碼。1.問題：     給定資料點集P，d-by-N，將這些資料點集聚類到K類中去<K是給定的類的數目，可以不給定K，但本文我們處理不那麼複雜的問題>同時要求下式值最小：Sk是聚類形成的資料集合，mk是每個類集合的“中心”——K-Means與K-Medoids唯一不同的地方                                               

7.27 暑假開始後，稍有時間，“搞完”金融項目，便開始跑跑 Deep Learning的程式Hinton 在Nature上文章的代碼 跑了3天 也沒跑完 後來Debug 把batch 從200改到20 勉強跑出結果後來開始看 文章等  感覺暈暈乎乎 又翻到：Deep Learning Tutorials 裝Theano等，但是python 代碼 Debug真是好生噁心再後來翻到 UFLDL，看著有Exercise 便做了起來。用了5天刷了9個Exercises。大概年後吧，在微博上看到

main(int argc, char* argv[])參數意義#include <iostream>using namespace std;int main(int argc, char* argv[]){int i;for (i = 0; i<argc; i++){ cout<<"argv["<<i<<"] = "; cout<<argv[i]<<endl; cout<<"\n"

此文，記述數月前，看PRML第四章-線性分類模型時的思考。此模型得到的解析解為：可以看到：標籤資訊影響最後的參數的值，進而影響判別邊界，接著會對預測產生影響。樣本：可以看到相同的資料，使用不同的標籤資訊，得到不同的判別邊界。訓練完參數，使用其做預測，那麼：不同的標籤選擇+各個類的點數Ni，就會有不同的判別邊界，從而影響預測。如預測三個*點是正類<+>還是負類<o>：那麼什麼樣的標籤是好的呢？<對預測資料，得到的判別“合理”>從判別邊界來看，應該讓判別邊界“置中

名字起得很大。本文介紹Fourier級數、Fourier變換等基本數學概念及概念背後對應的物理意義。一、傅裡葉分析簡介           展開成傅裡葉級數的基本目的是要把一個訊號(時間變數t的函數)分解為不同的頻率分量。這些基本的構造塊是正弦函數和餘弦函數   sin(nt)    cos(nt)       例如，考察下面的函數：f(t) = sin(t) + 2cos(3t) + 0.3sin(50t)該函數有三個分量，其振蕩頻率為:1[sin(t)部分] 3[2cos(3t)部分]  5

由於網路問題，本頁還有一些我自己畫的說明圖片沒有貼上來，稍後會完善的。另：對螺旋隊列求解的舉例說明和原始碼放在下一篇文章《程式員面試寶典——螺旋隊列解法解析2》中。歡迎大家提出自己的見解，不明白的可以給我留言。 螺旋隊列面試例題：        看清以上數字排列的規律，設1點的座標為(0, 0)，x方向向右為正，y方向向下為正。        例如，7的座標為(-1, -1)，2的座標為(0, 1)，3的座標為(1, 1)。        編程實現輸入任意一點座標(x, y)，輸出所對應的數字。

學習機器學習的時候，基本都是在用Matlab、Python寫演算法，做測試；由於最近要用OpenCV寫作業，興起看了看OpenCV的機器學習模組(The Machine Learning Library——MLL)。來看看MLL的主要構成：Statistical Model是個基類，下面的K-NN、SVM等都是其子類。不太喜歡這個Statistical定語，Statistics在ML界橫行的好多年，感覺溫度已經降下來了。來看下Statistical Model：class CV_EXPORTS_

這學期開了機器學習討論班，為了下學期的《機器學習與資料分析》課程做準備。先期講解《The Elements of Statistical Learning》這本書，此書已經出到第二版。豆瓣：評價非常高 本書首頁：http://www-stat.stanford.edu/~tibs/ElemStatLearn/      Trevor Hastie, Robert Tibshirani, Jerome Friedman都是斯坦福大學統計學教授，並在這個領域做出了傑出的貢獻。   

《機器學習中的最佳化方法》之一：梯度法/最速下降法0、引言 機器學習中的最佳化問題機器學習中的model，基本都會有一個object function。通過是最小化object function，來獲得model的參數。那麼這裡就用到了“最佳化方法”，而且多是“多變數最佳化”。多變數體現在參數多。當然簡單的模型可以得到解析解（例如線性迴歸,殘差平方最小化），但是更多的模型是無法得到解析解的。是：線性迴歸的參數估計問題，通過極大似然法匯出了最小二乘法機器學習的最佳化問題多數是“無約束最佳化問題”，

參考用書：本文是在學習此書Chapter4時，跑的實驗。4.1.4 Fisher‘s Linear Discriminatefunction [w y1 y2 Jw] = FisherLinearDiscriminat(data, label)% FLD Fisher Linear Discriminant.% data : D*N data% label : {+1,-1}% Reference:M.Bishop Pattern Recognition and Machine

一、傅裡葉變換連續的傅裡葉變換可以看成是“複數形式的傅裡葉級數”的連續形式： 從該定理可以看出，函數可以由其傅裡葉變換經過積分運算完美重建。==============================另一個例子：================================================================二、傅裡葉變換的性質引入以下幾個記號：=================================下面給出傅裡葉變換及其逆變換的部分性質：========

背景：PRML 第9章  9.2Mixtures of Gaussians 中演算法實現function model = gmmEM(data,K,option)%% K 為model數% Reference: PRML p438-439tic if nargin < 3 option.eps = 1e-12; option.maxiter = 1000; endglobal num_data KX = data.X;

本文根據Andrew Ng的Machine Learning的課寫就。=======================================一、預測電影評分==========================================全文以“預測電影評分”例子展開r(i,j)=0則表明user_j沒有對movie_i 沒有評分，推薦系統要做的就是通過預測user_j對這些movie {i|r(i,j)=0}的評分來給user_j

看《演算法導論》寫的部分代碼，做個記錄。#include <iostream>#include <cmath>#include <vector>#define maxNumber 100000000;/*------------------------------------------------------------------------*《演算法導論》第2-7章涉及到的部分演算法：*

在上一篇文章推薦系統—影視評分預測中提出了，幾點思考：=============================一、theta/x的意義？=============================首先是模型：以下的model1/model2都把user想簡單了（1）model1：給定x=(romance,action)，迴歸最佳化theta。首先模型就給x賦予了意義(movie類型)，那麼可以認為theta也跟著有了意義(喜歡romance or

OpenCV Qt CUDA windows環境下 配置反覆裝過幾次，每次都網搜攻略；自個做個記錄 方便以後使用。碰到OpenCV各種奇怪的錯誤 先看看 圖片imread() 有沒有讀空 再找其他問題基本套路就是：1 Bin 2 include 3 lib/.lib將Bin加入環境變數：選擇相應平台 vc等——  G:\OpenCV\opencv2.4.6\build\x86\vc11\bin;

Deep Learning 第一戰：完成：UFLDL教程 稀疏自編碼器-Exercise：Sparse AutoencoderCode:學習到的稀疏參數W1：參考資料：UFLDL教程 稀疏自編碼器Autoencoders相關文章閱讀:[3] Hinton, G. E., Osindero, S., & Teh, Y. (2006). A fast learning algorithm for deep belief nets[4] Hinton, G. E. and