机器学习
AllyLi0224
这个作者很懒,什么都没留下…
展开
-
损失函数总结
参考:https://blog.csdn.net/qq_14845119/article/details/80787753原创 2020-03-06 22:42:29 · 184 阅读 · 0 评论 -
Ubuntu安装jupyter
环境:Ubuntu18.04 64位 1. 安装pip (1)更新和升级包 sudo apt-get update sudo apt-get upgrade (2)安装pipsudo apt-get install python-pip 2. 安装Jupyter (1)升级pip sudo pip install --up...转载 2018-08-16 20:07:03 · 5593 阅读 · 2 评论 -
SVM分类器解读
支持向量机的核心知识是点到直线距离计算、拉格朗日乘子法、求偏导和数值计算法。思路:第一:计算点到直线的距离;第二:确定影响距离的关键系数w;第三:对第二步骤确定的关键系数构建拉格朗日乘子方程L;第三:对L进行求偏导,得出两个系数w和b的表示形式,得到1式和2式;第四:将1式和2式代入L得到对偶问题方程式L';第五:L‘和2式组成不等式方程组,利用数值计算法/线性规划法进原创 2017-11-21 09:44:04 · 544 阅读 · 0 评论 -
贝叶斯分类器解读
贝叶斯分类器主要是根据全概率公式、条件概率公式和统计信息而得出。第一:统计信息得到结果概率;第二:统计信息计算得到条件概率;第三:根据统计信息、概率和条件概率计算判别概率。在计算概率的过程中,可能会用到极大似然估计。朴素贝叶斯是在属性独立条件下进行计算的。后续....参考:连接原创 2017-11-14 17:39:42 · 977 阅读 · 0 评论 -
机器学习自学指南
事实上有许多的途径可以了解机器学习,也有许多的资源例如书籍、公开课等可为所用,一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题,给出一些总结性的认识,并为你由程序员到机器学习高手的蜕变旅程中提供一些学习指引。机器学习的四个层次根据能力可以将学习过程分成四个阶段。这也是一个有助于我们将所有学习资源进行分类的好方法。初学阶段新手阶段中级阶段高级阶段我转载 2017-11-06 15:17:02 · 343 阅读 · 0 评论 -
opencv分类器训练
做项目一直在使用深度学习中的神经网络进行目标检测和识别,还真没有直接使用过opencv中的分类器,最近尝试着学习一下:进行目标跟踪,首先得把目标识别出来,我选用的是基于haar特征的模式识别,要进行模式识别,首先得训练分类器,好在opencv自带了训练分类器的软件,可以在opencv安装目录中找到,如:F:\opencv\build\x86\vc12\bin\opencv_ha转载 2017-11-15 11:31:41 · 683 阅读 · 0 评论 -
梯度训练算法
1. batch GD每次迭代的梯度方向计算由所有训练样本共同投票决定,batch GD的损失函数是:J(θ)=12m∑i=1m(hθ(x(i))−y(i))2训练算法为:repeate{θ:=θ−α1m∑i=1m(hθ(x(i))−y(i))x(i)j}什么意思呢,batch GD算法是计算损失函数在整个训练集上的梯度方向,沿着该方向搜寻下一个迭代点。”batch原创 2016-12-12 16:04:22 · 3753 阅读 · 0 评论 -
行人检测资源&代码&数据
这是行人检测相关资源的第二部分:源码和数据集。考虑到实际应用的实时性要求,源码主要是C/C++的。源码和数据集的网址,经过测试都可访问,并注明了这些网址最后更新的日期,供学习和研究进行参考。(欢迎补充更多的资源)1 Source Code1.1 INRIA Object Detection and Localization Toolkithttp://p转载 2016-07-29 07:42:10 · 3804 阅读 · 0 评论 -
监督学习和无监督学习的详细介绍
l 学习映射函数及在行为识别/图像分类中应用的文献(模型与非模型之间存在关联,算法相互采用,没有明确的区分,含仿生学文献)% 研究重点放到ICA模型及深度学习兼顾稀疏编码1)稀疏编码(稀疏编码、自动编码、递归编码):[1] B. Olshausen and D. Field. Emergence of simple-cell receptive field p原创 2015-10-30 16:46:51 · 5094 阅读 · 0 评论 -
随机森林
Random Forest(s),随机森林,又叫Random Trees[2][3],是一种由多棵决策树组合而成的联合预测模型,天然可以作为快速且有效的多类分类模型。如下图所示,RF中的每一棵决策树由众多split和node组成:split通过输入的test取值指引输出的走向(左或右);node为叶节点,决定单棵决策树的最终输出,在分类问题中为类属的概率分布或最大概率类属,在回归问题中为函数取值。原创 2015-10-28 17:12:14 · 5527 阅读 · 0 评论 -
SVM
SVM的应用领域很广,分类、回归、密度估计、聚类等,但我觉得最成功的还是在分类这一块。 用于分类问题时,SVM可供选择的参数并不多,惩罚参数C,核函数及其参数选择。对于一个应用,是选择线性核,还是多项式核,还是高斯核?还是有一些规则的。 实际应用中,多数情况是特征维数非常高。如OCR中的汉字识别,提取8方向梯度直方图特征,归一化的字符被等分成8*8的网格,每原创 2015-10-28 16:28:43 · 1283 阅读 · 0 评论