junli_chen的博客

原创 python实现的遗传算法实例（一）

一、遗传算法介绍        遗传算法是通过模拟大自然中生物进化的历程，来解决问题的。大自然中一个种群经历过若干代的自然选择后，剩下的种群必定是适应环境的。把一个问题所有的解看做一个种群，经历过若干次的自然选择以后，剩下的解中是有问题的最优解的。当然，只能说有最优解的概率很大。这里，我们用遗传算法求一个函数的最大值。        f(x) = 10 * sin( 5x ) + 7

转载 专访雷果国：从1.5K到18K 一个程序员的5年成长之路

摘要：上段时间CSDN博客上流传了一篇比较励志的博文，讲述了一个程序员从基础薄弱到入职心仪公司的5年成长经历，为了给那些待毕业或已毕业但对未来仍很迷茫的朋友指引前行的方向，CSDN专访了这篇博文的作者。导语:今年三月份，在CSDN博客和新浪微博上有一篇《从1.5K到18K，一个程序员的5年成长之路》被众人分享和传阅，这篇博文首先介绍了作者自学之初薄弱的基础，然后通过流水账形式分享了那个

转载 腾讯、网易、新浪新闻网站爬虫编写记录及评论格式分析

0 前言先说说看这篇博客你能知道什么：1 腾讯、网易、新浪不同新闻的地址格式以及评论内容的地址格式（返回数据为json的异步接口）；2 一些比较通用的设计方法，对软件设计的菜鸟可能有帮助；之前也说了要写这篇博客，现在终于写出来了。我的毕业设计的指导老师说毕设论文的字数不够……所以我决定把这些本不应该出现在论文中的实现细节凑到论文中。至于下面说到的东西要解决什么问题，各位可以先看看这

转载 一篇关于机器学习的温和指南

机器学习是人工智能的一个分支，它通过构建算法让计算机学习，并且在数据集上使用这些算法来完成任务，而不需要进行明确编码。明白了吗？我们可以让机器去学习如何做事情！当我第一次听到它的时候，让我非常兴奋。那意味着我们可以对计算机进行编码，让它们自己去学习东西！学习的能力是智能最重要的一个方面。将这种能力运用到机器上，应该是向让计算机更智能迈出了一大步。事实上，机器学习是如今人工智能领域中

转载 数据挖掘算法之离散化和二元化

转载自：http://deepfuture.iteye.com/blog/1395669离散化和二元化有些数据挖掘算法，特别是某些分类算法，要求数据是分类属性形式。发现关联模式的算法要求数据是二元属性形式。这样，常常需要将连续属性变换成分类属性（离散化，discretization），并且连续和离散属性可能都需要变换成一个或多个二元属性（二元化，binariza

原创 非常好的理解遗传算法的例子

遗传算法的手工模拟计算示例为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各    个主要执行步骤。       例：求下述二元函数的最大值：    (1) 个体编码           遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种       符号串。本题中，用无符号二进制整数来表示。     

转载 缺失值的处理方法

转载自http://blog.sina.com.cn/s/blog_670445240102v08m.html 对于数据挖掘和分析人员来说，数据准备（Data Preparation，包括数据的抽取、清洗、转换和集成）常常占据了70%左右的工作量。而在数据准备的过程中，数据质量差又是最常见而且令人头痛的问题。本文针对缺失值和特殊值这种数据质量问题，进行了初步介绍并推荐了一些处理方法

原创 推荐36个网站

1.糗事百科！（恩，雷人啊！自带避雷针）http://www.qiushibaike.com/2.最强大的“免费电子书”下载区——新浪电子书共享 http://ishare.iask.sina.com.cn/ （数十万册哦，全是免费滴！） 3.淘宝好店大全  一个

原创 教程的网址

SQL教程http://www.runoob.com/sql/sql-tutorial.htmlPython教程http://www.runoob.com/python/python-cgi.html数据挖掘http://book.51cto.com/art/200704/44794.htm

转载 python操作MySQL数据库

坚持每天学一点，每天积累一点点，作为自己每天的业余收获，这个文章是我在吃饭的期间写的，利用自己零散的时间学了一下python操作MYSQL，所以整理一下。我采用的是MySQLdb操作的MYSQL数据库。先来一个简单的例子吧：12345678910import MySQ

转载 贝叶斯网的R实现（ Bayesian networks in R）bnlearn(4)

贝叶斯网络的推理（inference）(1)推理问题 在了解如何构造贝叶斯网络之后，下面我们考虑如何利用贝叶斯网络来进行推理。贝叶斯网络的推理是对某些变量当给定其它变量的状态作为证据时如何推断它们的状态，也就是通过计算回答查询（query）的过程。这个推理的过程也称为概率推理或信念更新。 在实践中，贝叶斯网的推理基于贝叶斯统计，重点在于后验概率或密度的计算。推理问题可分为这样的三类：

转载 贝叶斯网的R实现（ Bayesian networks in R）bnlearn(3)

4.参数学习得到贝叶斯网的网络结构之后，可以对局部分布的参数进行参数估计了，这称作参数学习。4.1参数学习的基本方法bnlearn包的参数学习函数是bn.fit,其参数method给出了两种具体的方法：“mle”为极大似然估计；"bayes"为贝叶斯后验估计（采用无信息先验分布）。4.2对marks数据集的参数学习marks是个连续数据集，所以参数采用的是回

转载 机器学习与数据挖掘网上资源搜罗——良心推荐

前面我曾经发帖推荐过网上的一些做“图像处理和计算机视觉的”有料博客资源，原帖地址图像处理与机器视觉网络资源收罗——倾心大放送http://blog.csdn.net/baimafujinji/article/details/32332079做机器学习和数据挖掘方面的研究和开发，常会在线搜索一些资源，日积月累便挖出了一堆比较牛的博主，特别说明：做这个方向的

转载 贝叶斯网的R实现（ Bayesian networks in R）bnlearn(2)

3.结构学习上面我们采用一个预先设定的结构建立了一个关于marks的贝叶斯网。这种方式在某些情况下（比如存在先验的专家知识）是合适的。但是对大多数的贝叶斯网络，我们需要从数据中学习网络。3.1贝叶斯网的结构简介 贝叶斯网关于节点（随机变量）的条件依赖或条件独立可以从图的角度讨论节点之间的连通与分割。如果两个节点A,B直接相连，它们之间存在直接依赖关系。若两个节点不是直接

转载 贝叶斯网的R实现（ Bayesian networks in R）bnlearn(1)

1.bayesian networks的一些基本概念 贝叶斯网bayesian networks是一种有向无环图模型（DAG），可表示为G=(V,A)。其中V是节点的集合，节点表示随机变量；A是弧（或称为边）的集合，弧的箭头表示随机变量之间的概率相依性。有向无环图DAG定义了一个因子化的V中全体节点的联合概率分布，称为全局概率分布；相对的，与每个随机变量关联的，为局部概率分布。因子

转载 《数学之美》马尔科夫链的扩展-贝叶斯网络

1.使用贝叶斯网络需要首先确定此网络的拓扑结构，并且还要知道各个状态之间相关的概率，即拓扑结构和这些参数的过程称为结构训练和参数训练。2.结构训练：优化的贝叶斯网络结构要保证它产生的序列从头到尾的可能性最大，即后验概率最大。  当然，产生一个序列可以有多条路径，从理论上讲，需要完备的搜索，即考虑每一条路径，才能得到全局最优。但计算复杂度大，因此一般采用贪婪的算法，也就是在每一步时，沿着箭头

原创 贝叶斯信念网络和马尔科夫链有什么区别

可以讲，马尔可夫链是贝叶斯网络的特例，而贝叶斯网络是马尔可夫链的推广。 马尔可夫链 (MarkovChain)，它描述了一种状态序列，其每个状态值取决于前面有限个状态。这种模型，对很多实际问题来讲是一种很粗略的简化。在现实生活中，很多事物相互的关系并不能用一条链来串起来。它们之间的关系可能是交叉的、错综复杂的。比如从心血管疾病出发到吸烟的弧线表示心血管疾病可能和吸烟有关。当然，这些关系可以

转载 【转】贝叶斯网络+马尔科夫毯 简介

原文地址：http://blog.csdn.net/memory513773348/article/details/16973807简介贝叶斯网络(Bayesian network)，又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model)，是一种概率图型模型，借由有向无环图(directed acycl

转载 马尔可夫链的扩展 贝叶斯网络 (Bayesian Networks)

我们在前面的系列中多次提到马尔可夫链 (MarkovChain)，它描述了一种状态序列，其每个状态值取决于前面有限个状态。这种模型，对很多实际问题来讲是一种很粗略的简化。在现实生活中，很多事物相互的关系并不能用一条链来串起来。它们之间的关系可能是交叉的、错综复杂的。比如在下图中可以看到，心血管疾病和它的成因之间的关系是错综复杂的。显然无法用一个链来表示。我们可以把上述的有向

原创 贝叶斯网络模型具体作用

叶斯网络模型最简单的例子是“分类器”，即在观测节点输入多个特征，就能获得这些特征所对应的具体事物。 例如：一个箱子里装有篮球，排球和足球，你的朋友每次从箱子里取出某一个球。但你看不见所取球的类型，只能通过朋友描述尺寸，外表，颜色等特征（观测数据）来辨别（分类），当然你之所以具备辨别（分类）能力是你长期对几种球类的观察和认识，并将这些特征一一储存在你脑部，这就形成先验知识以及特征与具体事

原创 遇事的处理方法

转载 分类算法之贝叶斯网络(Bayesian networks)

1.1、摘要      在上一篇文章中我们讨论了朴素贝叶斯分类。朴素贝叶斯分类有一个限制条件，就是特征属性必须有条件独立或基本独立（实际上在现实应用中几乎不可能做到完全独立）。当这个条件成立时，朴素贝叶斯分类法的准确率是最高的，但不幸的是，现实中各个特征属性间往往并不条件独立，而是具有较强的相关性，这样就限制了朴素贝叶斯分类的能力。这一篇文章中，我们接着上一篇文章的例子，讨论贝叶斯分类中更

原创 Bayesian Net Example

Bayesian Net ExampleConsider the following Bayesian network:Thus, the independence expressed in this Bayesian net are that A and B are (absolutely) independent. C is independent of B given A

转载 不可小视的贝叶斯（三）

前面我们已经知道朴素贝叶斯分类器基于一个很强的假定，即对于给定的某个类别，各特征属性之间是相互独立的。这个假定简化了计算过程和减少了分类器的复杂度，但是其限制条件却太过苛刻。因为直观上我们知道，现实世界中各特征属性之间很有可能是相互关联的，我们不能忽略这个特征。为了对现实世界进行更好的建模以得到更加准确的分类。接下来我要讲述第四部分的内容，即贝叶斯网络。    4）贝叶斯网络   

转载 不可小视的贝叶斯（二）

上次介绍了贝叶斯理论的基本知识，接下来介绍剩下的两部分内容，即：贝叶斯分类器和贝叶斯网络。对于这两部分的内容，涉及太多东西，这里讲述的只是一些基础知识，尽可能将我知道的分享给大家，有错误的地方还希望指正。    3）贝叶斯分类器    关于该部分内容，主要分为两个部分，即贝叶斯最优分类器（Bayes Optimal Classifier）和朴素贝叶斯分类器（Navie Bayes

转载 不可小视的贝叶斯（一）

昨天讲述了研究生做的第一个项目，今天开始进入我的学术研究方向的重点——机器学习，虽然这些文章对于我找一份程序员工作可能没有什么太大的帮助，但是毕竟是之前我花了很多时间研究过的，既然以后的重点都是回忆，那就索性一个不落下吧。另外之所以开始这样的行为，也得益于之前华为的一位技术面试官对我的影响，再次感谢一下这位面试官，很遗憾的是我都不晓得他姓什么。记忆这种东西谁都会忘，大脑可以选择遗忘，这是它的自由，