~无关风月~-CSDN博客

转载朴素贝叶斯

by 寒小阳1. 引言¶贝叶斯方法是一个历史悠久，有着坚实的理论基础的方法，同时处理很多问题时直接而又高效，很多高级自然语言处理模型也可以从它演化而来。因此，学习贝叶斯方法，是研究自然语言处理问题的一个非常好的切入口。2. 贝叶斯公式¶贝叶斯公式就一行： P(Y|X)=P(X|Y)P(Y)P(X)P(Y|X)=\frac{P(X|Y)P(Y)}{P(X)} 而它其实是由以下的联合概率公式推导

2017-11-08 21:55:49 12309 1

原创 Andrew NG 机器学习笔记-week11-应用实例：图片文字识别（Application Example：Photo OCR）

1、问题描述和流程图（Problem Description and Pipeline）photo OCR：photo Optical Character Recognition图像文字识别，要求从一张给定的图片中识别文字。为了完成这样的工作，需要采取如下步骤：文字侦测（Test detection）：将图片上的文字与其他环境对象分离开来字符切分（Character segmentation）：

2017-11-06 10:10:47 2909 1

原创 Andrew NG 机器学习笔记-week10-大规模机器学习（Large Scale Machine Learning）

一、Gradient Descent with Large Datasets1、大型数据集的学习（Learning with Large Datasets）得到一个高效的机器学习系统的最好方式之一是，用一个低偏差的学习算法，然后用大量的数据训练它。如补全句子单词的例子。有大量的数据，很多算法都能够取得不错的效果。有种说法：通常不是最好的算法取胜，而是谁有最多的数据。但大数据集训练也有它自身的问题，

2017-11-05 19:10:20 1075

原创 Andrew NG 机器学习练习8-Anomaly Detection and Recommender Systems

1 Anomaly detection实现一个异常检测算法检测服务器的异常行为特征是每个服务器的吞吐量（throughput）(mb/s) 和相应延迟（ms）采集 m=307 台运行中的服务器的特征，{x(1),...,x(m)x^{(1)},...,x^{(m)}} 其中大部分是 normal 的服务器特征你将使用高斯模型检测数据集中的异常样例从 2D 数据集开始，以便可视

2017-11-03 11:20:54 792

原创 Oracle数据备份与恢复

1、Navicat for Oracle操作简单，连接时需要安装 instantclient-basic-nt-12.1.0.2.0.zip instantclient-sqlplus-nt-12.1.0.2.0.zip 并指定路径安装教程能以 .sql 文件的形式导入、导出数据（包括表结构、序列、存储过程、视图）可以使用数据泵导入导出 .dmp 文件，但需要 SYSDBA

2017-10-31 22:14:02 2006

原创 Andrew NG 机器学习笔记-week9-异常检测和推荐系统（Anomaly Detection and Recommender Systems）

一、Density Estimation(密度估计)1. 问题动机（Problem Motivation）异常检测（Anomaly detection）问题，是机器学习算法的一个常见应用。这种算法的有趣之处在于：它虽然主要用于无监督学习问题，但从某些角度看，它又类似于一些监督学习问题。什么是异常检测呢？为了解释这个概念，让我举一个例子吧：假如你是一个飞机引擎制造商，当你生产的飞机引擎从生产线上流出时

2017-10-28 17:38:02 911

原创 Andrew NG 机器学习练习7-K-means Clustering and Principal Component Analysis

1 K-means Clustering1.1 Implementing K-meansThe K-means algorithm is a method to automatically cluster similar data examples together.The K-means algorithm is as follows:% Initialize centroidscentroid

2017-10-27 17:36:07 1107

原创 Andrew NG 机器学习笔记-week8-聚类（Clustering）

一、聚类（Clustering）1、无监督学习简介（Unsupervised Learning Introduction）在无监督学习中，数据没有附带任何标签。训练集只有 x(1),x(2)...x(m)x^{(1)},x^{(2)}...x^{(m)}，没有 y图上的数据看起来可以分成两个分开的点集（称为簇），一个能够找到区分这些点集的算法，称为聚类算法。聚类算法的应用：市场分割：把数据库中

2017-10-25 11:04:13 799

原创 Andrew NG 机器学习练习6-Support Vector Machines

1、SVM1.1 Example Dataset 1%% ==================== Part 2: Training Linear SVM ====================% The following code will train a linear SVM on the dataset and plot the% decision boundary learned

2017-10-24 19:37:22 899

原创 Andrew NG 机器学习笔记-week7-支持向量机（Support Vector Machines）

一、优化目标（Optimization Objective）支持向量机(Support Vector Machine) 广泛应用于工业界和学术界。与逻辑回归和神经网络相比，SVM在学习复杂的非线性方程时，提供了一种更为清晰，更加强大的方式。是有监督算法。从逻辑回归开始展示我们如何一点一点修改来得到本质上的支持向量机。逻辑回归中的假设函数，右边S型激励函数。用 z 表示 θTx\theta^Tx逻辑回

2017-10-23 10:38:21 581

原创 Andrew NG 机器学习练习5-Regularized Linear Regression and Bias/Variance

1 Regularized Linear Regression本文根据水库中蓄水标线(water level) 使用正则化的线性回归模型预测水流量(water flowing out of dam)，然后 debug 学习算法以及讨论偏差和方差对该线性回归模型的影响。1.1 Visualizing the dataset本作业的数据集分成三部分： ⓐ训练集(training set)，样本

2017-10-18 20:49:09 1462

原创 Andrew NG 机器学习笔记-week6-应用机器学习的建议 ( Advice for Applying Machine Learning)

一、决定下一步做什么（Deciding What to Try Next）假设我们需要用一个线性回归模型来预测房价，当我们用训练好了的模型来预测未知数据的时候，发现有较大的误差，我们下一步可以做什么？获得更多的训练实例–通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法。尝试减少特征的数量。尝试获得更多的特征。尝试增加多项式特征。尝试减少正则化程度λ尝试增加正则化

2017-10-17 14:22:36 680

原创 Andrew NG 机器学习练习4-Neural Networks Learning

Introduction我们将实现神经网络的反向传播算法，并将其应用到手写数字识别中。1 神经网络在以前的练习中，我们实现了神经网络的前馈传播，并用我们提供的权重值，将其应用到了预测手写字体的任务中。在这个练习中，你讲实现后向传播算法来学习神经网络的参数。1.1 可视化数据每个训练样例，是一个20*20像素的图片灰度数值。每个像素通过一个浮点类型的值来表示灰度值。20*20像素的数值被展开成一个4

2017-10-03 18:33:23 1708

原创 Andrew NG 机器学习笔记-week5-神经网络的学习（Neural Networks:Learning）

一、代价函数（Cost Function）首先引入一些便于稍后讨论的新标记方法：假设神经网络的训练样本有 m 个，每个包含一组输入 x 和一组输出信号 yL =神经网络总层数sls_l = ll 层的神经元（neuron）个数（不包含偏置单元（bias unit））sLs_L = 最后一层中神经元的个数 K = 输出单元或类的数量将神经网络的分类定义为两种情况：二类分类和多类分类：二类

2017-09-30 09:18:15 977

原创 Andrew NG 机器学习练习3-Multiclass Classification and Neural Networks

In this exercise, you will implement one-vs-all logistic regression and neural networks to recognize hand-written digits.1 Multi-class ClassificationIn the first part of the exercise, you will extend y

2017-09-04 21:32:10 1765

原创 Andrew NG 机器学习笔记-week4-神经网络：表述

神经网络：表述( Neural Networks: Representation) 一、Motivations1.1 Non-linear Hypotheses我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。下面是一个例子：之前我们已经看到过，使用非线性的多项式项，能够帮助我们建立更好的分类模型。假设我们有非常多的特征，例如大于 100 个变量，我

2017-09-02 18:12:53 607

原创 Andrew NG 机器学习练习2-Logistic Regression

1 Logistic Regressionbuild a logistic regression model to predict whether a student gets admitted into a universitybased on their results on two examstraining set：istorical data from previous applicant

2017-09-01 21:34:24 1155

原创 Andrew NG 机器学习笔记-week3-逻辑回归

一、分类和表示（Classification and Representation）1.1 Classification(分类问题)在分类问题中，你要预测的变量 y 是离散的值，我们将学习一种叫做逻辑回归 (Logistic Regression) 的算法，这是目前最流行使用最广泛的一种学习算法。在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件

2017-08-28 17:40:05 613

转载 Python CGI 初体验

转自：http://blog.csdn.net/peihaozhu/article/details/50590418#comments CGI小述CGI（Common Gateway Interface,通用网页接口）。CGI是网络服务器可以将查询（一般来说是通过Web表单）传递到专门的程序（比如Python等）中并且在网页上显示结果的标准机制。它是创建万维网应用程序而不用编写特殊用

2017-08-27 14:16:37 458

原创 Andrew NG 机器学习练习1-Linear Regression

在本次练习中，需要实现一个单变量的线性回归。假设有一组历史数据<城市人口，开店利润>，现需要预测在哪个城市中开店利润比较好？历史数据如下：第一列表示城市人口数，单位为万人；第二列表示利润，单位为10,000$ ex1data1.txt 6.1101,17.592 5.5277,9.1302 8.5186,13.662 7.0032,11.854 … …用Matl

2017-08-25 21:06:29 681

原创 Andrew NG 机器学习笔记-week2-多变量线性回归

一、多变量线性回归（Multivariate Linear Regression）1.1 多维特征（Multiple Features）目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为（x 1 ,x 2 ,…,x n ）。增添更多特征后，我们引入一系列新的注释： n 代表特征的数量 m

2017-08-21 20:38:07 494

原创 MATLAB 入门

The assignments require the Octave or MATLAB scientific computing languages。官方教程：https://cn.mathworks.com/support/learn-with-matlab-tutorials.html?s_tid=hp_learn_tutorialsMATLAB中常用方法：行向量，和列向量的初始化对向

2017-08-19 18:53:47 997

原创 Andrew NG 机器学习笔记-week1-单变量线性回归

IntroductionWelcomeWhat is Machine LearningGrew out of work in AI（机器学习源于人工智能领域）New capacity for computers（ML 已经发展成为计算机的一项新能力）Examples:(机器学习应用实例)Database mining Large datasets from g

2017-08-19 15:07:22 1139

原创尚硅谷-Maven学习笔记

1、目前掌握的技术2、目前的技术在开发中存在的问题[why]一个项目就是一个工程如果项目非常庞大，就不适合继续使用package来划分模块。最好是每一个模块对应一个项目，利于分工写作。借助于maven就可以将一个项目拆分成多个工程。项目中需要的jar包必须手动“复制”、”粘贴” 到WEB-INF/lib 项目下带来的问题：同样的jar包文件重复出现在不同的项目工程

2017-08-10 20:11:53 17387 2

原创行为型模式之-观察者模式

1、观察者模式原理：观察者模式定义了一个一对多的依赖关系，让一个或多个观察者对象监察一个主题对象。这样一个主题对象在状态上的变化能够通知所有的依赖于此对象的那些观察者对象，使这些观察者对象能够自动更新。2、观察者模式实现Subject （被观察的对象接口）规定ConcreteSubject的统一接口每个Subject可以有对个ObserverConcreteSubject (具体被观察对象)

2017-07-25 22:16:28 286

原创 Java接口回调

转自：http://www.cnblogs.com/wangming007/p/5122701.html举例：老板分派给员工做事，员工做完事情后需要给老板回复，老板对其做出反应。上面是个比较经典的例子，下面用代码实现上述例子：（1）先定义一个接口public interface JieKou { public void show();}（2）定义一个Boss类实现接口public cl

2017-07-25 19:58:18 323

原创 XML与JSON解析

1、什么是XMLXML（Extensible Markup Language 可扩展标记语言），XML是一个以文本来描述数据的文档。people> person personid="E01"> name>Tony Blairname> address>10 Downing street,London,UKaddress> tel>(

2017-07-25 16:05:09 852

原创 Jupyter Notebook 初识

在数据分析的道路上，如何将我的分析过程清晰地表述出来呢？为了能与同行们有效沟通，你需要重现整个分析过程，并将说明文字、代码、图表、公式、结论都整合在一个文档中。一次运行，多次阅读。一、Jupyter Notebook 介绍文学编程文学编程 ( Literate programming )，这是由 Donald Knuth 提出的编程方法。传统的结构化编程，人们需要按计算机的逻辑顺序来编写代码；与

2017-07-15 22:19:27 2306

原创机器学习基础知识

深度学习是机器学习的一个分支。要想理解深度学习，必须对机器学习的基本原理有深刻的理解。有监督学习（Supervised Learning）：数据本身包含标签无监督学习（Unsupervised Learning）：数据无标签，但内部潜在结构可能不同模型是什么监督学习是要根据已知的数据集X和Y（标记）寻找出映射关系 f 。样本（example）：一个 feature 和对应的

2017-07-06 19:26:55 1002

原创用1、2、2、3、4、5这六个数字，打印出所有不同的排列

转换成整型值，用累加的方法遍历从最小到最大的所有数值，输出包含指定字符及其指定个数的数字。由于要遍历更多的数字，所以耗时较大。public class Main { public static int count = 0; private static String[] mustExistNumber=new String[]{"1","2","2","3","4",".

2017-07-03 20:46:55 7896 1

原创尚硅谷学习笔记——Java8新特性

讲解 java8的新特性：包括Lambda表达式；强大的 Stream API；Optional类；接口中的默认方法与静态方法；重复注解与类型注解；新时间日期API

2017-07-03 20:30:58 8051 3

转载 java的历史与展望

原文地址：http://mp.weixin.qq.com/s/HTleF2EVow3q6BMe_Cm4YA 原文作者：张建锋1 写在前面从 1995 年第一个版本发布到现在，Java 语言已经在跌宕起伏中走过了 22 年，最新的 Java 版本也已经迭代到 Java 9。当年 Java 语言的跨平台优势如今看来也只不过是家常小菜，Go、Rust 等语言横空出世，进一步拓宽了编程语言的边界。当年发明

2017-06-21 10:21:34 471

原创 codewars—Longest Common Subsequence

题目地址：https://www.codewars.com/kata/longest-common-subsequence/train/java题意：求两个字符串的最大公共序列最长公共子串（Longest CommonSubstring）和最长公共子序列（LongestCommon Subsequence, LCS）的区别：子串（Substring）是串的一个连续的部分，子序列（Subse...

2017-06-01 22:27:29 460

原创 codewars—Ten-Pin Bowling

OJ地址：https://www.codewars.com/kata/ten-pin-bowling/train/java试题的大致意思：投10局保龄球，每局的目标是把10个保龄球都投中前9局，每局最多能投两个球，如果第一投就10个全中（用‘X’表示），就不用投第二个。每局投球会出现两种情况： Strikes投用‘X’表示表示本局的第一投就10球全中。该局的得分是10+后两个

2017-05-30 12:01:28 758

原创 Spring学习笔记（一）

Spring是什么Spring是一个开源框架。Spring为简化企业级应用开发而生。（使简单的JavaBean实现EJB的功能）Spring是一个IOC（DI）和AOP容器框架。具体描述Spring：轻量级：Spring是非侵入性的-基于Spring开发的应用中的对象可以不依赖于Spring的API。（不用继承或实现接口）依赖注入（DI—dependency injecti

2017-05-30 10:20:22 1220

原创 Thinking in Java 笔记

第一章对象入门1.1抽象的进步所有编程语言的最终目的都是提供一种“抽象”的方法。解决问题的复制程度直接取决于抽象的种类及质量。汇编语言是对基础机器的少量抽象，“命令式”语言是对汇编语言的一种抽象。原理依然要求我们着重考虑计算机的结构，而非考虑问题本身的结构。我们将问题空间中的元素以及它们在方案空间的表示物称作“对象”（Object）。完全面向对象的程序设计方法的特定： 1、所有东西都是对象。

2017-05-21 21:52:46 436

原创 SpringMVC学习笔记（二）

复习：springmvc框架: DispatcherServlet 前端控制器：接收request，进行response HandlerMapping 处理器映射器：根据url查找Handler（通过xml配置方式或注解方式） HandlerAdapter 处理器适配器：决定了用何种特定规则去编写和之后执行Handler。 Handler处理器（后端控制器

2017-05-14 19:54:13 2522 3

原创 SpringMVC学习笔记（一）

1、SpringMVC架构1.1 Spring web mvc 介绍Spring web mvc和Struts2都属于表现层的框架,它是Spring框架的一部分,我们可以从Spring的整体结构中看得出来： 1.2 Web MVCmvc设计模式在b/s系统下应用： 1、用户发起request请求至控制器(Controller) 控制接收用户请求的数据，委托给模

2017-05-10 14:53:03 1108

原创 MyBatis学习笔记（二）

1、关联查询1.1 商品订单数据模型1.2 一对一查询案例：查询所有订单信息，关联查询下单用户信息。1.2.1 方法一：使用resultType，定义订单信息po类，此po类中包括了订单信息和用户信息：OrdersMapperCustom.xml<mapper namespace="cn.itcast.mybatis.mapper.OrdersMapperCustom"> <!--

2017-05-02 20:43:34 771 2

原创 MyBatis学习笔记（一）

1 、对原生态jdbc程序中问题总结jdbc编程步骤： 1、加载数据库驱动 2、创建并获取数据库链接 3、创建jdbc statement对象 4、设置sql语句 5、设置sql语句中的参数(使用preparedStatement) 6、通过statement执行sql并获取结果 7、对sql执行结果进行解析处理 8、释放资源(resultSet

2017-04-12 16:39:30 888 2

Java之23种设计模式解析

周阳老师 MySQL高级 脑图 .mmap+pdf

jar转exe工具 exe4j ，附注册码

微信背后的产品观-—-张小龙

UML面向对象

Apache POI jar包，poi-bin-3.14.zip

空空如也

周阳老师 MySQL高级脑图 .mmap+pdf