chenglansky的专栏

机器学习的最佳入门学习资源这是一篇很难写的文章，因为我希望这篇文章能对学习者有所启发。我在空白页前坐下，并且问自己了一个很难的问题：什么样的库、课程、论文和书籍对于机器学习的初学者来说是最好的。文章里到底写什么、不写什么，这个问题真的让我很烦恼。我必须把自己当做一个程序员和一个机器学习的初学者，站在这个角度去考虑最合适的资源。我找出了每个类型中最适合的资源。如果你是

http://blog.csdn.net/xianlingmao/article/details/7667042信息检索和网络数据领域（WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等）的论文中常用的模型和技术总结引子：对于这个领域的博士生来说，看懂论文是入行了解大家在做什么的研究基础，通常我们会去看一本书。看一本书固然是好，但是有一个很大的缺点：一本

我第一次接触自然语言处理还是研一的时候，当时我读的是那本经典书籍《数学之美》，之后我就对NLP/文本挖掘/IR方向兴趣比较大，所以也一直想毕业后去搜索相关公司。但是考虑到自己的基础水平，迟迟没有深入研究，其实主要原因是我一直在补计算机类基础知识呢，因为我是比较看重基础的，现在还差编译原理了，时间不够用了，也得感叹下，要学的知识太多了。前几天双11买了本《统计自然语言处理》，打算深入的研究下，所以这

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成

1.机器学习开源软件网（收录了各种机器学习的各种编程语言学术与商业的开源软件）http://mloss.org2 偶尔找到的机器学习资源网：（也非常全，1和2基本收录了所有ML的经典开源软件了）http://www.dmoz.org/Computers/Artificial_Intelligence/Machine_Learning/Software/3 libsv

这两天在看关于boosting算法时，看到一篇不错的文章讲bootstrap, jackknife, bagging, boosting, random forest 都有介绍，以下是搜索得到的原文，没找到博客作者的地址，在这里致谢作者的研究。一并列出一些找到的介绍boosting算法的资源：（1）视频讲义，介绍boosting算法，主要介绍AdaBoosing http://

聚类算法应用广泛：模式识别，数据分析，图像识别及其他许多方面。

分类： NLP2014-03-20 13:01 69人阅读 评论(0) 收藏 举报中文实体抽取-fudanNLP1.input and outputA)中文分词：InputStr = "媒体计算研究所成立了, 高级数据挖掘很难。 乐phone热卖！";Dictionary = {"数据挖掘","媒体计算研究所","乐phone"};OutputStr1 = "媒

（1）数据矩阵：用p个变量表示n个

Basis(基础)：MSE(Mean Square Error均方误差)，LMS(LeastMean Square最小均方)，LSM(Least Square Methods最小二乘法)，MLE(MaximumLikelihood Estimation最大似然估计)，QP(Quadratic Programming二次规划)， CP(Conditional Probability条件概率)