奥卡姆-剃刀-CSDN博客

原创最大似然估计（MLE）

概念已知实验结果（即样本）的情况下，用来估计满足这些样本的分布参数，把可能性最大的参数θ\theta作为θ∗\theta^*的参数估计 - 思想已知某个参数能使这样的样本出现概率最大，我们当然不会选择小概率样本，所以干脆把这个参数作为估计的真实值理解Machine Learning 中有很多地方用到Likelyhood of the parameters, 并假设m 训练样本独立分布

2017-05-23 11:20:43 690

原创生成模型(generative model)与判别模型(discriminate)的联系及区别

生成模型与判别模型的联系及区别监督学习——学习一个模型模型的一般形式决策函数 Y=f(X)Y=f(X)条件概率分布：P(Y|X)P(Y|X)生成方法由数据学习联合概率分布P(Y,X)P(Y,X)作为预测的模型，即生成模型P(Y|X)=P(Y,X)P(X)P(Y|X) = \frac{P(Y,X)}{P(X)}模型表示了给定输入XX,产生输出YY的生成关系examples 朴

2017-05-16 18:22:14 2028

原创雅克比矩阵（Jacobian Matrix）的意义

单变量情况，如果f:R→Rf:R\rightarrow R,则有： f′(x)=lim∇x→0f(x+∇x)−f(x)∇x\bf f^\prime(x) = \lim_{\nabla x \rightarrow 0} \frac{f(x + \nabla x) - f(x)}{\nabla x} 以一种非常有用的方式考虑f′(x)f^\prime(x)就是： f(x+∇x)≈f(x)+f′(x

2017-05-16 14:54:02 26848 1

原创 DL 工作站配置

深度学习工作站配置

2017-03-14 10:29:18 970

转载 Xtion Pro 与深度摄像头

我一直都计划着购买一个3D摄像头，开始VR输入方面的探索。之前只从计算机视觉中图像方面学习，感觉有局限性，应该在初学的阶段拓宽知识面，之后再从中选择重点来深入。本来计划是九月份时购买Kinect开发套件的，之前实验室的老师购买过Kinect，感觉效果很好，这边的易博士也高度评价Kinect的技术。我现在购买的是ASUS 的Xtion Pro，并且比原计划提前了两个月，这也是有原因的，以后再讲吧。

2017-03-10 18:16:53 1299

转载 vector中erase用法注意事项

以前就发现了vector中的erase方法有些诡异(^_^)，稍不注意，就会出错。今天又一次遇到了，就索性总结一下，尤其是在循环体中用erase时，由于vector.begin() 和vector.end()是变化的，因此就引入了错误的可能性。erase的函数原型有两种形式:iterator erase(iterator position);iterator erase(i

2017-03-08 10:50:16 316

转载卡尔曼滤波器算法[基本原理]

卡尔曼滤波器 – Kalman Filter什么是卡尔曼滤波器在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士

2016-11-09 14:45:20 652

转载 C/C++中extern关键字详解

基本解释：extern可以置于变量或者函数前，以标示变量或者函数的定义在别的文件中，提示编译器遇到此变量和函数时在其他模块中寻找其定义。此外extern也可用来进行链接指定。也就是说extern有两个作用，第一个,当它与"C"一起连用时，如: extern "C" void fun(int a, int b);则告诉编译器在编译fun这个函数名时按着C的规则去翻译相应的函数名而

2016-11-07 11:45:21 253

转载 C++ 全局变量、局部变量、静态全局变量、静态局部变量的区别

全局变量、局部变量、静态全局变量、静态局部变量的区别C++变量根据定义的位置的不同的生命周期，具有不同的作用域，作用域可分为6种：全局作用域，局部作用域，语句作用域，类作用域，命名空间作用域和文件作用域。从作用域看：全局变量具有全局作用域。全局变量只需在一个源文件中定义，就可以作用于所有的源文件。当然，其他不包含全局变量定义的源文件需要用extern 关键字再次声明这个全局

2016-11-07 11:15:04 336