Time of Update: 2018-08-22
在此之前對物件導向編程瞭解不多,更不用說MATLAB物件導向編程。不過,在第一份工作的經曆中還是遇到過一點使用,只是那時候我還不是很清楚。那一次使用是為了實現Simulink中模型的使用。 今天簡單做一個類的構建以及對象的建立。首先實現一個類的定義,代碼如下: classdef Person properties
Time of Update: 2018-08-22
大師級的文章,總是能夠使你更接近於事物的本質。 最近看了pongba的數學之美番外篇:快排為什麼那麼快。文中提到了Mackay的一篇文章(這裡是譯文),裡面提到了使用資訊理論來解釋快排與堆排的速度差異的本質原因。看罷,內心有種莫名的激動。雖不懂資訊理論,但Mackay(大師畢竟是大師),最簡單的解釋,卻直接觸到了本質。有興趣的可以看看Mackay的這篇文章。這裡,只是我自己的一點感悟。 資訊熵是什麼。
Time of Update: 2018-08-22
1、Q:幾個作者同時共用機構地址,怎麼搞。 A:拿ACM的模版為例, Yes, and we suggest you do the following... Insert this piece of coding just before the \begin{document} like so... % \def\sharedaffiliation{% \end{tabular} \begin{tabular}{c}} %
Time of Update: 2018-08-22
AR(Autoregressive)模型(自迴歸模型):用同一變數之前的表現情況來預測該變數現在或未來的表現情況,這種預測方法只與變數自己有關,而與其他變數無關,所以稱作是自迴歸。 數學定義模型:假定AR模型是p階的,對於一組時間序列有觀測值{x[1],x[2],.....x[N]},計算t時刻x的預測值x[t],其自迴歸方程: x[t]=a[1]*x[t-1]+a[2]*x[t-2]....+a[p]*x[t-p]+u[t],1<=
Time of Update: 2018-08-23
常微分方程 含有未知函數的導數,如 的方程是微分方程。 一般的,凡是表示未知函數、未知函數的導數與自變數之間的關係的方程,叫做微分方程。未知函數是一元函數的,叫常微分方程;未知函數是多元函數的叫做偏微分方程。本文主要介紹常微分方程。 概念往往令人迷惑,還是看看實際的例子: 目標是求解x和y的關係。將等式轉換: 這就是最終答案。 實際上,常微分的求解過程就是利用不定積分的知識: 分離變數
Time of Update: 2018-08-22
轉載請注意出處:http://blog.csdn.net/hwhua1986/article/details/62426560 參考資料,請參照sonar官網參數分析頁:https://docs.sonarqube.org/display/SONAR/Analysis+Parameters 上一次是通過修改sonar管理系統的標識 最近發現一個更好的方法,就是在增加“branch”參數。 1、在Jenkins的構建操作增加“SonarQube analysis with
Time of Update: 2018-08-22
Lateral View是Hive中提供給UDTF的conjunction,它可以解決UDTF不能添加額外的select列的問題。 1. Why we need Lateral View。 當我們想對hive表中某一列進行split之後,想對其轉換成1 to N的模式,即一行轉多列。 hive不允許我們在UDTF函數之外,再添加其它select語句。
Time of Update: 2018-08-22
第七章 參數估計 內容提要: 一、 點估計 1、設為總體的樣本,總體的分布函數形式已知,為待估參數, 為對應的樣本觀測值。點估計問題就是構造一個適當的統計量,用其觀測值來估計待估參數的取值。這裡稱為的估計量,稱為的估計值,兩者統稱的估計。這種對未知參數的定點估計稱為未知參數的點估計。
Time of Update: 2018-08-22
由於專業的關係,我學習信用評分的時候往往最關注模型那一塊,前段時間一直有很多困惑,這周認真地看了一篇文章,終於有一點點明白了,所以來簡單地小結一下(這事兒不能說得太細),小結完了我得學習cURL去了。 最常見的用於信用評分的模型就是logistic迴歸,這是一種處理二分類因變數的廣義線性模型。這種模型的理論基礎比較紮實,但是對於不同的問題當然也存在一些特殊的處理方式,我最大的困惑就在於建模時對分類自變數的處理方法。
Time of Update: 2018-08-22
%正態性分布檢驗 %%C.S. Ruan x; figure; hist(x);%頻數長條圖(肉眼看是否左右對稱,中間多,兩邊少) figure; histfit(x);%正態曲線擬合 normfit(x);%正態性檢驗(離散點是否分布在一條直線上,表明樣本來自常態分佈,否則是非常態分佈) %參數估計
Time of Update: 2018-08-22
下面簡單列舉幾種常用的推薦系統評測指標: 1、準確率與召回率(Precision & Recall) 準確率和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值,用來評價結果的品質。其中精度是檢索出相關文檔數與檢索出的文檔總數的比率,衡量的是檢索系統的查准率;召回率是指檢索出的相關文檔數和文件庫中所有的相關文檔數的比率,衡量的是檢索系統的查全率。
Time of Update: 2018-08-22
在一般的分類問題中,通常的套路都是提取特徵,將特徵輸入分類器訓練,得到最終的模型。但是在具體操作時,一開始提出的特徵和輸入分類器訓練的特徵是不一樣的。比如假設有N張 100×100 100×100的映像,分別提取它們的HoG特徵 x∈Rp×q x∈Rp×q, p p為特徵的維數, q q為這幅映像中HoG特徵的個數。 如果把直接把這樣的一萬個 x
Time of Update: 2018-08-22
1、watermark的概念 watermark是一種衡量Event Time進展的機制,它是資料本身的一個隱藏屬性。通常基於Event Time的資料,自身都包含一個timestamp,例如1472693399700(2016-09-01 09:29:59.700),而這條資料的watermark時間則可能是: watermark(1472693399700) = 1472693396700(2016-09-01 09:29:56.700)
Time of Update: 2018-08-23
前言介紹了機器學習與深度學習的基本概念,本系列的目錄,深度學習的優勢等。 本節乘熱打鐵先說說深度強化學習吧。 說到機器學習最酷的分支,非Deep learning和Reinforcement learning莫屬(以下分別簡稱DL和RL)。這兩者不僅在實際應用中表現的很酷,在機器學習理論中也有不俗的表現。深度強化學習是啥呢。簡單點說就是 深度學習 + 強化學習。深度學習和強化學習都不是啥新鮮事了,但是深度強化學習在Google
Time of Update: 2018-08-22
OpenFace是一個包含了landmark,head pose,Actionunions,eye gaze等功能,並包含訓練和檢測所有源碼的開源人臉架構,論文為,OpenFace: an open source facial behavior analysis toolkit OpenFace所用到的庫包含opencv,dlib,boost,tbb 建議在vs2015下運行。 程式整體過程如下圖所示。在Action
Time of Update: 2018-08-22
註:本文翻譯自:Pedestrian Detection OpenCV。 你知道OpenCV裡面已經內建的行人檢測方法嗎。在OpenCV裡面,有一個預先訓練好了的HOG+線性SVM模型,能夠對映像和視頻中的行人進行檢測。如果你還不熟悉方向梯度長條圖HOG和線性SVM方法,我建議你閱讀方向梯度長條圖和物體檢測這篇文章,在這篇文章中,我對該架構分了6步進行討論。 如果你已經熟悉了這個過程,或者你僅僅只是想看看OpenCV行人檢測的代碼,那麼現在就開啟一個新檔案,並將它命名為detect.
Time of Update: 2018-08-22
1、 概述 二叉尋找樹(Binary Search Tree,也叫二叉排序樹,即Binary Sort Tree)能夠支援多種動態集合操作,它可以用來表示有序集合、建立索引等,因而在實際應用中,二叉排序樹是一種非常重要的資料結構。 從演算法複雜度角度考慮,我們知道,作用於二叉尋找樹上的基本操作(如尋找,插入等)的時間複雜度與樹的高度成正比。對一個含n個節點的完全二叉樹,這些操作的最壞情況已耗用時間為O(log
Time of Update: 2018-08-22
在 IDEA Intellij小技巧和外掛程式 一文中簡單介紹了一下IdeaVim外掛程式。在這裡詳細總結一下這個外掛程式在日常編程中的一些常用小技巧。供有興趣使用這個外掛程式,但對Vim還不十分熟悉的朋友參考。當然基本的hjkl移動游標和幾種常見模式等等基本概念就略過不提了。 為了確保只包含常用操作,這裡提到的技巧都沒有從現成文檔裡抄,而是憑記憶列出(不常用自然就不記得了)。估計會有所遺漏,慢慢再補充。 1.
Time of Update: 2018-08-22
一、白盒測試 根據軟體產品的內部工作過程,在電腦上進行測試,以證實每種內部操作是否符合設計規格要求,所有內部成分是否已經過檢查。這種測試方法就是白盒測試。白盒測試把測試對象看做一個開啟的盒子,允許測試人員利用程式內部的邏輯結構及有關資訊,設計或選擇測試案例,對程式所有邏輯路徑進行測試。通過在不同點檢查程式的狀態,確定實際的狀態是否與預期的狀態一致。
Time of Update: 2018-08-23
一、前言 知識圖譜(Knowledge Graph)突然就變得很熱門,自己也被分配去研究構建知識圖譜了,中間也看了很多資料,這裡想做個小筆記,方便日後的查閱和備忘吧。 二、什麼是知識圖譜。 構成這個世界的是實體,而非字串(things, not strings)。 知識圖譜其實就是以前的語義網,只不過換了一個名字而已。知識圖譜就是把所有不同種類的資訊(Heterogeneous