Chunying27的博客

首先推荐看 机器学习lecture note1 里面的逻辑回归的推导，和 逻辑回归介绍 的前两部分一起看1. 理解什么是梯度上升法求局部最大值 往梯度上升的方向走，+正的导数值，导数为2，+2，导数为1/2，+1/2，走过了导数为-1，+（-1)= -1，这样逼近最大值 但是,一下面的函数为例 f(x)=13x3−4x f(x)=\frac{1}{3x^3}-4x 需要注意的： 1

下载 (https://github.com/shijing888/LibSVM)安装gnuplot: 点击 gp503-win32-mingw.exe 安装，安装后 gnuplot.exe 的路径，我的路径为：E:\PROC\gnuplot\bin\gnuplot.exe。修改gnuplot路径,打开 tools 文件夹，分别打开 easy.py 和grid.py 在 修改gnuplot 路

non-parametric modelset σn \sigma_n =0, we can fit the data exactly, the mean predictive function pass training datalog marginal likehood: - the first term: −12log(|Σ|) -\frac{1}{2} log(|\Sigma

http://yaroslavvb.com/upload/notMNIST/notMNIST_small.tar.gzhttp://yaroslavvb.com/upload/notMNIST/notMNIST_large.tar.gz

clear all; clc; N=200; n=1:N;%N为采样本数 s1=2*sin(0.02*pi*n); %正弦信号 t=1:N; s2=2*square(100*t,50); %方波信号 a=linspace(1,-1,25); s3=2*[a,a,a,a,a,a,a,a];%锯齿信号 s4=rand(1,N); %随机噪声 S=[s1;s2

1 . blob 看blob.hppBlob(const int num, const int channels, const int height, const int width); 2 . conv layer参数 blobs_lr: 1 # learning rate multiplier for the filters blobs_lr: 2 #

今天，小明给我看 biendata的一个新的比赛，是关于”用户画像“的， 我对这个概念不是很了解，一开始还以为是生成用户的头像呢（素描里画像的定义）。我开始搜索2016年的微博用户画像的比赛，开始了解这个新名词的定义。什么是用户画像？互联网步入大数据时代后，用户的行为在企业面前逐渐变得”可视化“。于是，企业逐渐聚焦关注怎样利用大数据为精准营销服务，进而挖掘潜在的商业价值。用户画像的概念应运而生。用户