2016年05月_mmc2015

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

转载用C语言扩展Python的功能

https://www.ibm.com/developerworks/cn/linux/l-pythc/写的简单但非常清楚。Pyton和C分别有着各自的优缺点，用Python开发程序速度快，可靠性高，并且有许多现成模块可供使用，但执行速度相对较慢；C语言则正好相反，其执行速度快，但开发效率低。为了充分利用两种语言各自的优点，比较好的做法是用Python开发整

2016-05-30 16:05:13 567

转载探索推荐引擎内部的秘密，第 3 部分: 深入推荐引擎相关算法 - 聚类

在 IBM Bluemix 云平台上开发并部署您的下一个应用。开始您的试用智能推荐大都基于海量数据的计算和处理，然而我们发现在海量数据上高效的运行协同过滤算法以及其他推荐策略这样高复杂的算法是有很大的挑战的，在面对解决这个问题的过程中，大家提出了很多减少计算量的方法，而聚类无疑是其中最优的选择之一。聚类 (Clustering) 是一个

2016-05-13 20:24:38 1028

转载探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html?ca=drs-http://www.ibm.com/dev

2016-05-13 20:22:29 606

转载探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html?ca=drs-http://www.ibm.com/develop

2016-05-13 20:20:50 661

原创 Bagging, Boosting, and Randomization对比

原始论文：An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting, and RandomizationThis paper compares the effectiveness of randomization, bagging

2016-05-04 18:44:35 686

原创记一次失败的kaggle比赛（3）：失败在什么地方，贪心筛选特征、交叉验证、blending

今天这个比赛结束了，结果可以看：https://www.kaggle.com/c/santander-customer-satisfaction/leaderboardpublic结果：private结果：首先对比private和public的结果，可以发现：1）几乎所有的人都overfitting了；或者说private的另一半测试

2016-05-03 09:55:36 13291 4

挖掘DBLP作者合作关系，FP-Growth算法实践

挖掘DBLP作者合作关系，FP-Growth算法实践包括三个代码，一堆结果文件

2017-04-07

Chrome_IE_driver_X64_X32.rar

Chrome_IE_driver 64位32位都有，很好用，已测试。

2016-11-07

dblp测试数据集，包括十六个会议的【部分内容】，使用SDM, ICDM, ECML-PKDD, PAKDD, WSDM, DMKD, TKDE, KDD Explorations, ACM Trans. On KDD, CVPR, ICML, NIPS, COLT、 CVPR、SIGIR、SIGKDD 十六个会议，至少从2000年至今的所有数据。应用代码参考：http://blog.csdn.net/mmc2015/article/details/50988375 确实花了我很多时间搜集

2016-03-26