其他

轉自http://people.revoledu.com/kardi/tutorial/learning/index.html（By Kardi Teknomo, PhD） This tutorial introduce you to the Monte Carlo game, adaptive machine learning using histogram and learning formula to acquire memory. This algorithm is useful

轉自http://blogger.org.cn/blog/more.asp?name=DMman&id=24991以SQL Server2000為例，使用jdbc-odbc橋的方式。其他的資料庫操作方法一樣，具體細節各異。 1 jdbc-odbc橋的方式不用安裝驅動程式，我們在管理工具裡面建個資料來源。 2 修改 weka\experiment下的DatabaseUtils.props檔案。 ********************將weka安裝目錄下的weka.jar解壓後

課本上沒有講古典概型與機率的聯絡，這裡補充一下。 古典概型：有限個事件，等可能發生。放寬條件後得到幾何概型：無限個事件，等可能發生；再放寬條件得到機率：無限個事件，不一定等可能發生。 古典機率

一群來自IBM的瘋狂科學家近日宣稱他們在擬人化電腦晶片技術方面已經取得了“重要進展”，不過他們的終極目標是開發出一套能完美類比人腦與真實世界互動 方式的電腦系統。日前，這個研究小組使用勞倫斯利物莫國家實驗室裡的藍色基因超級電腦，成功類比出貓腦大小層級的大腦皮層活動情況，大腦皮層是人類和動 物用於記憶，思考的主要腦部器官。

一、搜尋引擎技術/動態資源<一>、綜合類1、盧亮的搜尋引擎研究 http://www.wespoke.com/盧亮屬於搜尋引擎開發上的專家，以前開發過一個搜尋引擎"博索"(http://booso.com/),好像現在已經停止開發了，目前他服務於部落格網。在他的這個blog上可以瞭解許多搜尋引擎開發的技術和經驗，值得持續關注。2、laolu'blog 有不少來自國外的關於搜尋引擎方面的資料，偏重於資料和數字3、哈斯日誌

原文作者：aihorizon.com原文連結： Machine Learning, Part III: Testing Algorithms, and The "No Free譯者：commondata ·測試機器學習演算法 現在你對機器學習演算法的分類已經有了一個大體的瞭解，但在更進一步瞭解每個演算法的細節之前，你還需要對如何測試機器學習演算法有一個大體的認識。 在大多數情況下，將會出現以下三類資料：訓練資料集（training set data）和測試資料（testing

Define:MLE: Maximum likelihood estimationLSE: Least-squares estimationSSE: Sum of squares error_______________________________周一劉老師講PRML ch1，提出了一個問題：MLE是否可以等同於最小SSE？很有趣的問題，查了一下資料。wikipedia上說：The least-squares estimator optimizes a certain criterion (

Machine Learning(機器學習)是研究電腦怎樣類比或實現人類的學習行為，以擷取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使電腦具有智能的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演譯。      

素有“互連網之父”之稱的蒂姆-伯納斯-李(Tim Berners-Lee)表示,全球全球資訊網需要新的標識系統,協助人們在瀏覽時區分事實和虛構.他表示,互連網正在越來越多地被用於傳播謊言、惡作劇、都市神話(指許多人相信的一個發生在某人身上的稀奇故事),對於自己創造的互連網的未來感到擔憂. 雖然互連網已經成為了全球資訊主要來源,但是上億個網站充斥著錯誤.李引用了歐洲核子中心(CERN)啟用強子對撞機的案例.網上有很多傳言稱這會製造出

Neural Networks 神經網路（是這麼說吧） nn可以用來做分類和數值型預測。nn有很多類型，PCI裡面介紹的是一種多層認知網路，有一層輸入神經元和若干層（這裡是一層）隱藏神經元。每個神經元有自己的輸出值，串連神經元的突觸有各自的權重。 使用nn計算的方法叫feed forward，是通過對所有串連到這個節點上一層神經元的輸出值與相應的突觸權重的乘積求和再用tanh（PCI裡面）計算得到的。最後一層的所有輸出值可以用來協助挑選結果。這個過程中對神經元輸出的改變保留在nn中。

做投影片是一件頭疼的事。而用latex做投影片是一件很頭疼、很頭疼、cdots、很頭疼的事……總結和收集了一些經驗如下： beamer教程有很多教程。對於初學者，最好先copy別人（比如師兄師姐的）模板用，或者直接看beamer的例子，C:CTeXtexmfdoclatexbeamerexamples。入門後，我覺得最好的提高教程是Ki-Joo Kim的Beamer v3.0

. 在一個私人繼承或保護的類中，基類的一個公用成員如何才能保持是該類的公用成員  class A{public: int a;}  class B:private A{ public: using A:a; }   /// 這樣指名其為公用成員 . 類的成員函數指標，以及調用  靜態函數同C用法一樣  typedef void (*PtrFunc)(int);  PtrFunc pf = ClassA::func;   // ClassA::func是靜態函數  *pf(1);  // 調用  

原文作者：aihorizon.com原文連結： Machine Learning, Part I: Supervised and Unsupervised Learning譯者：commondata 上次我們討論了基於結果的兩類學習。這篇文章我們將關注一些其他方面的學習：監督還是無監督。當訓練用例被標記了正確結果的時候，監督學習方式為怎樣改進學習給出一個反饋。這類似於教官教導某個Agent，它的行為是否正確。對無監督學習來說這個目標很難實現，因為缺乏事先確定的分類。 ·監督學習

"很多人常常面臨這樣的情況：本來手頭有一大堆工作要做卻故意拖延，上網去看看新浪的娛樂或者瀏覽熱門貼的評論，要麼乾脆寫日誌。我們拖延重要的事情，像吸毒那樣同時帶有的負罪感和快感。這種拖延的吸引力在心理學上稱之為hyperbolic time

UNM（University of New Mexico）的ECE（Electrical and Computer Engineering）有這麼一位老闆，有理想有抱負，是push的典型代表。我們有幸分享他巨牛無比的言論，轉載以自勵！      ——“要學會集中精力閱讀，集中精力思考。一開始，你可能只能讓精神高度集中幾分鐘，然後就開小差，就開始犯困。但是，要堅持鍛煉自己的思維，逐漸的讓自己能集中精力十幾分鐘，半個小時，一個小時……這跟鍛煉一樣，你開始練長跑的時候，可能跑個幾十米就累得氣喘籲籲，

文章目錄 Lesson 1 最近Boss要求我們自己的實驗平台要支援多個機器學習演算法的方便的比較，於是決定仿照Weka的結構設計，這個任務就安排給咱了，沒辦法，看唄，上次看Weka還是一年前！Lesson 1 zz from

人類天生就有給資訊分類的能力。但這項技能被證明很難用電腦實現。面對一大堆資料，電腦往往不知該從何入手，除非你給它一個指定的結構、層次、或者線性順序。但現在，MIT的新研究將給人工智慧領域帶來爆炸型的突破，MIT的PhD recipient Charles Kemp帶領研究出來的模型能協助電腦像人一樣去識別各種資料。這個模型能自動分辨出哪種結構最適合用來組織當前面對的大量資料。

轉：http://bbs.w3china.org/blog/more.asp?name=idmer&id=24017 大家做資料採礦研究時，常常為找不到合適的資料而發愁。在KDNuggets上有Datasets欄目，提供一些資料集，網址為：http://www.kdnuggets.com/datasets/ 還有另外一個很好的資源網址為：http://kdd.ics.uci.edu/，裡麵包含的資料資源如下（按應用領域劃分）： Direct Marketing   KDD CUP 199

設想一下,當你悲傷不已時,由一位機器人來安慰你,為你排憂解難,逗你開心,這會是一種什麼樣的情景?或許你認為這不可能.但英國一支科學家小組正在製造一種情感機器人,當它們和人類接觸時,它們能回應人類的表情,並能表達自己的情感.從事此機器人開發工作的英國赫特福德郡大學電腦科學院的勞拉·卡納麥羅博士表示,他們開發此機器人的目的是讓它成長並適應人類的日常環境.

轉自http://www.cppblog.com/shiming413/archive/2007/08/21/30494.html 一、點。 l 點的座標A(x1, y1)，B(x2, y2) 二、向量。 l 向量AB = (x2-x1, y2-y1) = (x3,y3) ，CD = (x4, y4)。 l 向量的模|AB| = sqrt(x3*x3 + y3*y3) 即向量的長度。 三、點積。 l 點積的結果為一個數值。 l 數值計算方法AB * CD ＝ x3*x4 + y3