- 博客(16)
- 资源 (18)
- 收藏
- 关注
原创 【机器学习中的数学】贝叶斯概念学习
概念学习许多机器学习问题涉及从特殊训练样例中得到一般概念。比如人们不断学习的一些一般概念和类别。每个概念可被看作一个对象或事件集合,它是从更大的集合中选取的子集(如从动物的集合中选取鸟类),或者是在这个较大集合中定义的布尔函数(如在动物集合中定义的函数,它对鸟类返回true,对其他动物返回false)。小孩理解一个词义的例子考虑一个小孩子理解“狗”这个词的意义。假设当小孩的
2014-12-31 15:31:29 2634
原创 【计算机视觉】OpenCV人脸识别facerec源码分析1——FaceRecognizer概述
FaceRecognizer类OpenCV中所有人脸识别的模型都是继承自FaceRecognizer这个基类,这个类提供了人脸识别算法的统一接口。class FaceRecognizer : public Algorithm{public: //! virtual destructor virtual ~FaceRecognizer() {} // Tra
2014-12-28 20:49:49 5886 1
转载 Sublime Text使用指南
前言(Prologue)Sublime Text是一款跨平台代码编辑器(Code Editor),从最初的Sublime Text 1.0,到现在的Sublime Text 3.0,Sublime Text从一个不知名的编辑器演变到现在几乎是各平台首选的GUI编辑器。而这样优秀的编辑器却没有一个靠谱的中文教程,所以我试图通过本文弥补这个缺陷。编辑器的选择(Editor Choices)
2014-12-28 11:07:46 2401
原创 配置JavaCV开发环境
JavaCV介绍JavaCV首先提供了计算机视觉领域研究人员常用的函数库的封装:OpenCV, FFmpeg, libdc1394, PGRFlyCapture, OpenKinect, videoInput, 和ARToolKitPlus。可以通过其中的utility类方便的在包括Android在内的Java平台上调用这些接口。另外JavaCV还带有硬件加速的全屏幕图像显示(
2014-12-25 16:24:35 3430
原创 【scikit-learn】学习Python来分类现实世界的数据
引入一个机器可以根据照片来辨别鲜花的品种吗?在机器学习角度,这其实是一个分类问题,即机器根据不同品种鲜花的数据进行学习,使其可以对未标记的测试图片数据进行分类。这一小节,我们还是从scikit-learn出发,理解基本的分类原则,多动手实践。Iris数据集Iris flower数据集是1936年由Sir Ronald Fisher引入的经典多维数据集,可以作为判别分析(
2014-12-25 11:03:00 5772
原创 【python】matplotlib.pyplot介绍
matplotlib.pyplot介绍matplotlib的pyplot子库提供了和matlab类似的绘图API,方便用户快速绘制2D图表。matplotlib.pyplot是命令行式函数的集合,每一个函数都对图像作了修改,比如创建图形,在图像上创建画图区域,在画图区域上画线,在线上标注等。下面简单介绍一下pyplot的基本使用:(1)使用plot()函数画图plo
2014-12-24 16:39:09 16944 1
原创 【机器学习基础】VC维与模型复杂度、样本复杂度
引言上一小节,我们引入了VC维的概念,用它来描述假设集合的表达能力。这一小节中,我们将从VC维的物理意义出发,进一步学习如何根据VC维传达的信息来选择模型和假设集合。VC维的物理意义如果我们将假设集合的数量|H|比作假设集合的自由度,那么VC维就是假设集合在做二元分类的有效的自由度,即这个假设空间能够产生多少Dichotomies的能力(VC维说的是,到什么时候,假设集合还
2014-12-18 19:01:20 9272
原创 【计算机视觉】对检测的人脸进行剪切和归一化
引子要进行人脸的识别,尤其是复杂环境下的人脸识别,就要在捕获人脸图像之后对图像进行预处理的工作,如图像的大小和灰度的归一化,头部姿态的矫正,图像分割等。这样做的目的是改善图像质量,消除噪声,统一图像灰度值及尺寸,为后序特征提取和分类识别打好基础。该文将就人脸的剪切和归一化操作进行学习探讨,并做一笔记备用。具体步骤由于opencv的人脸识别需要输入图片具有相同的尺寸和灰度
2014-12-17 21:53:11 10873
原创 【scikit-learn】用Python进行机器学习实验
本文是用Python编程语言来进行机器学习小实验的第一篇。主要内容如下:读入数据并清洗数据探索理解输入数据的特点分析如何为学习算法呈现数据选择正确的模型和学习算法评估程序表现的准确性
2014-12-17 09:06:56 4199
原创 【机器学习基础】理解为什么机器可以学习3——VC理论
上一小节中,“理解为什么机器可以学习——Hoeffding不等式”中,我们介绍了有限假设空间中的概率边界。在这篇文章中,我们将推广至无限假设空间中,进而引入VC理论。
2014-12-11 20:23:27 3949
原创 【机器学习基础】理解为什么机器可以学习2——Hoeffding不等式
PAC可学习性很大程度上由所需的训练样本数量决定。随着问题规模的增长所带来的所需训练样本的增长称为学习问题的样本复杂度(sample complexity)。在多数实际问题中,最限制学习器成功的因素是有限的可用的训练数据。
2014-12-11 20:20:59 6107
原创 【机器学习基础】理解为什么机器可以学习1——PAC学习模型
我们要弱化对学习器的要求:1、我们不要求学习器输出零错误率的假设,只要求错误率被限制在某常数ε范围内,ε可为任意小。2、不要求学习器对所有任意抽取的数据都能成功预测,只要求其失败的概率被限定在某个常数μ的范围内,μ可取任意小。简而言之,我们只要求学习器可能学习到一个近似正确的假设,故得到了“可能近似正确学习”或PAC学习
2014-12-11 20:19:07 8516 5
原创 【机器学习基础】从感知机模型说起
感知器(perceptron)1957年由Rosenblatt提出,是神经网络与支持向量机的基础。感知器是二类分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别,取+1和-1二值。感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面,属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面。
2014-12-11 20:16:32 5326 2
原创 【机器学习基础】机器学习算法的分类——关于如何选择机器学习算法和适用解决的问题
系统的学习机器学习课程让我觉得受益匪浅,有些基础问题的认识我觉得是非常有必要的,比如机器学习算法的类别。为什么这么说呢?我承认,作为初学者,可能无法在初期对一个学习的对象有全面而清晰的理解和审视,但是,对一些关键概念有一个初步并且较为清晰的认识,有助于让我们把握对问题的认识层次,说白了,就是帮助我们有目的的去学习心得知识,带着问题去学习,充满对解决问题的动力去实验,我觉得这种方式是有益并且良性的。
2014-12-04 10:13:23 3852
原创 【机器学习基础】生成模型和判别模型
监督学习的任务就是学习一个模型(或者得到一个目标函数),应用这一模型,对给定的输入预测相应的输出。这一模型的一般形式为一个决策函数Y=f(X),或者条件概率分布P(Y|X)。监督学习方法又可以分为生成方法(generative approach)和判别方法(discriminative approach)。所学到的模型分别为生成模型(generative model)和判别模型(discriminative model)。
2014-12-03 14:39:30 3160
原创 【机器学习基础】机器学习基础引入
“机器学习”是人工智能的核心研究领域之一, 其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。事实上,由于“经验”在计算机系统中主要是以数据的形式存在的,因此机器学习需要设法对数据进行分析,这就使得它逐渐成为智能数据分析技术的创新源之一。
2014-12-03 14:38:07 2354
Reactive Programming with Scala and Akka(Pdf格式)
2016-05-15
Scala Design Patterns: Patterns for Practical Reuse and Design
2015-06-30
Learning scikit-learn Machine Learning in Python
2015-01-28
Building Probabilistic Graphical Models with Python
2015-01-28
Mastering Machine Learning with scikit-learn
2015-01-28
Building.Machine.Learning.Systems.with.Python
2015-01-28
番茄工作法图解
2014-09-01
Visual Assist X 10.8.2043.0 完美破解版
2014-08-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人