- 博客(11)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 贝叶斯简单理解
生活中很多场合需要用到分类，比如新闻分类、病人分类等等。本文介绍朴素贝叶斯分类器（Naive Bayes classifier），它是一种简单有效的常用分类算法。一、病人分类的例子让我从一个例子开始讲起，你会看到贝叶斯分类器很好懂，一点都不难。某个医院早上收了六个门诊病人，如下表。 症状 职业 疾病 打喷嚏 护士 感冒
2016-10-27 16:39:43
2144
转载 深度学习简介
转自：http://www.leiphone.com/news/201608/7lwVZCXnScbQb6cJ.html深度学习，即Deep Learning,是一种学习算法（Learning algorithm）,亦是人工智能领域的一个重要分支。从快速发展到实际应用，短短几年时间里，深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，渐渐形成了一种从训练数据出发，经过一个
2016-10-27 09:02:05
3761
转载 RANSAC算法
转自：http://www.cnblogs.com/konlil/archive/2012/02/01/2334492.htmlRANSAC算法当由一堆存在误差的数据样本恢复数据模型时，通常最简单的线性回归方法是最小二乘，然而当数据样本中的误差数据的误差值和其所占比例比较大时，最小二乘得出的结果往往不如人意，RANSAC算法（随机抽样一致性算法）利用迭代来解决这个问题。
2016-10-25 20:26:23
423
原创 粒子滤波和卡尔曼滤波简介
卡尔曼滤波：相信所有学习卡尔曼滤波的同学首先接触的都是状态方程和观测方程，学过控制系统的同学可能不陌生，否则，先被那两个看起来好深奥的公式给吓跑了，关键是还不知道他们究竟是干什么的，什么是状态，什么是观测。。。。。。如果再看到后面的一大串递归推导增益，实在很晕很晕，更糟糕的是还没整明白的时候就已经知道卡尔曼滤波其实已经不够使了，需要extended kalmanfilter 和
2016-10-25 20:21:45
1345
转载 基础机器学习算法
基础机器学习算法哲学要回答的基本问题是从哪里来、我是谁、到哪里去，寻找答案的过程或许可以借鉴机器学习的套路：组织数据->挖掘知识->预测未来。组织数据即为设计特征，生成满足特定格式要求的样本，挖掘知识即建模，而预测未来就是对模型的应用。特征设计依赖于对业务场景的理解，可分为连续特征、离散特征和组合高阶特征。本篇重点是机器学习算法的介绍，可以分为监
2016-10-17 09:21:52
240
原创 一些重要网站链接
程序员求职编程训练题库：https://leetcode.com/文献查阅数据库：http://xs.chongbuluo.com/?plg_nld=1&plg_uin=1&plg_auth=1&plg_usr=1&plg_vkey=1&plg_dev=1目标跟踪测试数据集：http://cvlab.hanyang.ac.kr/tracker_benchmark/
2016-10-14 19:37:03
264
转载 Logistic回归与梯度上升算法
原始出处：http://sbp810050504.blog.51cto.com/2799422/1608064在《机器学习实战》一书的第5章中讲到了Logistic用于二分类问题。书中只是给出梯度上升算法代码，但是并没有给出数学推导。故哪怕是简单的几行代码，依然难以理解。 对于Logistic回归模型而言，需要读者具有高等数学、线性代数、概率论和数理统计的基础的数学基础。高
2016-10-12 15:31:53
694
转载 对线性回归，logistic回归和一般回归的认识
【转载来源】：http://www.cnblogs.com/jerrylead1 摘要 本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义后的总结与认识。前四节主要讲述了回归问题，回归属于有监督学习中的一种方法。该方法的核心思想是从连续型统计数据中得到数学模型，然后将该数学模型用于预测或者分类。该方法处理的数据可以是多维的。 讲义最初介绍了一个基
2016-10-12 11:16:30
278
转载 层次凝聚聚类法
熟悉CMT的都知道，作者在聚类部分使用了层次凝聚聚类算法（Hierarchical Agglomerative Clustering）并且使用的是单链（Single-link），今天我们就来学习下这个算法。 前面学习了几种聚类算法，K-Means，EM，AP等都属于平面聚类（Flat Clustering），因为这些算法的输出都是返回一个平面的无结构的聚类集合，所以叫做Flat
2016-10-10 14:43:53
16818
1
转载 先验概率、后验概率、贝叶斯公式、 似然函数
一、先验概率、后验概率、贝叶斯公式、 似然函数在机器学习中，这些概念总会涉及到，但从来没有真正理解透彻他们之间的联系。下面打算好好从头捋一下这些概念，备忘。1、先验概率先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断，先验概率就是没有经过实验验证的概率，根据已知进行的主观臆测。如抛一枚硬币，在抛之前，主观推断P（正面朝上） = 0.5。2、后
2016-10-08 22:47:11
3041
原创 特征匹配,sift,surf,orb,brisk,brief
特征匹配（Feature Match)是计算机视觉中很多应用的基础，所以花一些时间去深入理解这个概念是不为过的。本文希望通过一种通俗易懂的方式来阐述特征匹配这个过程，以及在过程中遇到的一些问题。概念理解：假设这样的一个场景，小明和小小明都在看一个图片，但是他们想知道他们看的是否是同一幅图片，于是他们就通过电话描述这个图片，来判断是否是同一个图片。比如说有下面两个图片
2016-10-08 21:34:17
3743
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人