- 博客(69)
- 资源 (11)
- 收藏
- 关注
转载 最值得看的十大机器学习公开课
https://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html?from=timeline&viewType=weixin在当下的机器学习热潮,人才匮乏十分显著。截至目前,国内开设人工智能(AI)专业的高校不多,相当多的开发者是跨界入门,需要自学大量知识并摸索。因而优质的学习资源至关重要。因此,雷锋网搜集了全世界范围内最受欢迎...
2019-03-09 09:53:08
561
原创 XCode 编译ffmpeg
环境:macOS10.13.3; Xcode9.4.1;FFmpeg4.0.2准备:brew install sdl2brew命令如果出错,要能是版本问题,可按以下命令卸载后,重新安装brew /usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/mast...
2019-01-12 21:36:20
600
转载 KKT
https://www.cnblogs.com/ooon/p/5721119.html约束优化方法之拉格朗日乘子法与KKT条件引言本篇文章将详解带有约束条件的最优化问题,约束条件分为等式约束与不等式约束,对于等式约束的优化问题,可以直接应用拉格朗日乘子法去求取最优值;对于含有不等式约束的优化问题,可以转化为在满足 KKT 约束条件下应用拉格朗日乘子法求解。拉格朗日求得的并不一定是最优解...
2018-10-09 19:13:52
1567
1
转载 前向后向算法
https://blog.csdn.net/Hearthougan/article/details/77930786 本文是自己学习隐马尔科夫模型的一个总结,为了自己以后方便查阅,也算作是李航老师的《统计学习方法》的一个总结,若有疑问,欢迎讨论。推荐阅读知乎上Yang Eninala写的《如何用简单易懂的例子解释隐马尔可夫模型?》,写的非常好。我会联系两者,来作为自己的一篇学习笔记。 ...
2018-08-21 15:58:12
14811
2
转载 条件数学期望
https://blog.csdn.net/henhen2002/article/details/5540039Definition: The conditional expectation of X given Y=y is: ①E(X|Y=y) = ∑xf(x|y) for discrete case ②E(X|Y=y) = ∫xf(x|y)dx for con...
2018-08-20 20:21:15
8875
3
转载 MLE极大似然估计
https://blog.csdn.net/tjy1220646144/article/details/44834865极大似然估计(MLE):极大似然估计是一种参数估计的方法,即已知样本估计出模型参数。极大似然估计是频率学派的一种方法(与贝叶斯学派的极大后验估计对应),频率学派认为模型的参数是确定的,只是不知道而已,所以可以通过样本推断出模型参数。既然是极大“似然”估计,就要先明...
2018-08-16 14:16:27
6496
转载 极大似然估计和最大后验估计
https://baijiahao.baidu.com/s?id=1593811166204755239&wfr=spider&for=pc机器学习中,一般只得到业务产生的数据集D,机器学习目的是通过数据D了解该项业务的过去(建模)和未来(预测和分类)。但你手头上只有数据集D,没有其他任何辅助信息,那么如何建模?1.概率假设合理吗?我们总是假设数据集D由某种概率分布生成...
2018-08-16 11:01:58
5402
转载 隐马尔可夫模型
隐马尔可夫模型原文地址:http://www.cnblogs.com/jacklu/p/6225073.html1 概述隐马尔可夫模型(Hidden Markov Model,HMM)是结构最简单的动态贝叶斯网,这是一种著名的有向图模型,主要用于时序数据建模(语音识别、自然语言处理等)。假设有三个不同的骰子(6面、4面、8面),每次先从三个骰子里选一个,每个骰子选中的概率为,如下图...
2018-08-13 11:16:17
222
转载 梯度下降过程向量化
https://blog.csdn.net/ligang_csdn/article/details/53838743关于θ更新过程的vectorization,Andrew Ng的课程中只是一带而过,没有具体的讲解。《机器学习实战》连Cost函数及求梯度等都没有说明,所以更不可能说明vectorization了。但是,其中给出的实现代码确是实现了vectorization的,图4所示代码的...
2018-08-06 16:47:13
1448
转载 协方差矩阵
https://www.cnblogs.com/jermmyhsu/p/8195588.htmlhttps://blog.csdn.net/G1036583997/article/details/78070395
2018-08-01 20:08:05
154
转载 提升分类器性能利器-AdaBoost
转载请注明作者和出处:http://blog.csdn.net/c406495762 机器学习知乎专栏:https://zhuanlan.zhihu.com/ml-jack CSDN博客专栏:http://blog.csdn.net/column/details/16415.html Github代码获取:https://github.com/Jack-Cherish/Machine-Learni...
2018-07-23 23:17:06
871
转载 理解条件熵
https://blog.csdn.net/xwd18280820053/article/details/70739368 1 信息熵以及引出条件熵 我们首先知道信息熵是考虑该随机变量的所有可能取值,即所有可能发生事件所带来的信息量的期望。公式如下:我们的条件熵的定义是:定义为X给定条件下,Y的条件概率分布的熵对X的数学期望 这个还是比较抽象,下面我们解释一下...
2018-07-23 14:12:06
1587
转载 矩阵与线性映射及矩阵的特征值与特征向量
https://www.cnblogs.com/yinheyi/p/7242495.html?utm_source=itdadao&utm_medium=referral线性映射用矩阵表示:(很好明白的)有两个线性空间,分别为V1与V2, V1的一组基表示为,V2的一组基表示为;(注意哦,维度可以不一样啊,反正就是线性空间啊),1, 现在呢,有一个从V1到V2的映射F, 它可以把V1中的一...
2018-07-02 19:52:30
1429
转载 数学知识回顾-矩阵及优化理论
https://blog.csdn.net/u010536377/article/details/50252027
2018-06-22 15:12:27
1489
转载 L1比L2更稀疏
https://www.cnblogs.com/fanhaha/p/7104997.htmlL1比L2更稀疏1. 简单列子: 一个损失函数L与参数x的关系表示为: 则 加上L2正则化,新的损失函数L为:(蓝线) 最优点在黄点处,x的绝对值减少了,但依然非零。 如果加上L1正则化,新的损失函数L为:(粉线) ...
2018-06-14 17:07:04
1421
转载 感知机
作者:sealaes链接:https://www.jianshu.com/p/4715a4bea89d來源:简书【概述】1、感知机模型特征:感知机对应于输入空间中将实例划分为正负两类的分离超平面,属于判别模型。2、感知机策略:感知机学习的目标是求出将训练数据进行线性划分的分离超平面,导入基于误分类的损失函数,利用梯度下降法对损失函数进行最小化,求得感知机模型。3、感知机学习算法:用学习得到的感知机...
2018-06-13 17:25:24
609
转载 点到平面的距离公式
http://www.cnblogs.com/graphics/archive/2010/07/10/1774809.html准备知识平面的一般式方程Ax +By +Cz + D = 0其中n = (A, B, C)是平面的法向量,D是将平面平移到坐标原点所需距离(所以D=0时,平面过原点)向量的模(长度)给定一个向量V(x, y, z),则|V| = sqrt(x * x + y * y + z...
2018-06-13 14:51:10
3343
转载 logistic回归原理解析--一步步理解
https://blog.csdn.net/feilong_csdn/article/details/64128443logistic回归,又叫对数几率回归(从后文中便可此名由来)。首先给大家强调一点,这是一个分类模型而不是一个回归模型!下文开始将从不同方面讲解logistic回归的原理,随后分别使用梯度上升算法和随机梯度上升算法将logistic回归算法应用到实例中。一、logistic回归和线...
2018-06-06 11:08:32
71860
10
转载 梯度上升算法的直观理解
https://www.jianshu.com/p/eb94c60015c7第五章讲的是Logistic 回归,作者提出了梯度上升算法,本文是对该算法的一个通俗易懂的解释,不需要任何梯度的知识就能理解,造福广大初学者。简单描述问题给定一个样本集,每个样本点有两个维度值(X1,X2)和一个类别值,类别只有两类,我们以0和1代表。数据如下所示:样本X1X2类别1-1.44.712-2.56.90......
2018-06-04 16:45:35
4826
2
转载 Logistic回归基础篇之梯度上升算法
https://blog.csdn.net/c406495762/article/details/77723333转载请注明作者和出处: http://blog.csdn.net/c406495762 机器学习知乎专栏:https://zhuanlan.zhihu.com/ml-jack CSDN博客专栏:http://blog.csdn.net/column/details/16415.html...
2018-06-04 10:52:51
777
转载 拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
https://www.cnblogs.com/sddai/p/5728195.html在求解最优化问题中,拉格朗日乘子法(Lagrange Multiplier)和KKT(Karush Kuhn Tucker)条件是两种最常用的方法。在有等式约束时使用拉格朗日乘子法,在有不等约束时使用KKT条件。 我们这里提到的最优化问题通常是指对于给定的某一函数,求其在指定作用域上的全局最小值(因为最小值与...
2018-05-28 17:16:04
444
转载 朴素贝叶斯 实例
https://blog.csdn.net/mlljava1111/article/details/50512913#-*- coding: utf-8 -*- #添加中文注释from numpy import *#过滤网站的恶意留言#样本数据 def loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems...
2018-05-24 16:27:44
640
转载 贝叶斯估计和极大似然估计到底有何区别
https://blog.csdn.net/feilong_csdn/article/details/61633180在开始接触最大似然估计和贝叶斯估计时,大家都会有个疑问:最大似然估计和贝叶斯估计二者很相似,到底有何区别?本文便来说说二者的不同之处以及求参模型的公式推导!预热知识必知如何求类条件概率密度: 我们知道贝叶斯决策中关键便在于知道后验概率,那么问题便集中在求解类条件概率密度!那么如何求...
2018-05-22 19:54:59
578
转载 极大似然估计
极大似然估计编辑它是建立在极大似然原理的基础上的一个统计方法,极大似然原理的直观想法是,一个随机试验如有若干个可能的结果A,B,C,... ,若在一次试验中,结果A出现了,那么可以认为实验条件对A的出现有利,也即出现的概率P(A)较大。极大似然原理的直观想法我们用下面例子说明。设甲箱中有99个白球,1个黑球;乙箱中有1个白球.99个黑球。现随机取出一箱,再从抽取的一箱中随机取出一球,结果是黑球,这...
2018-05-22 19:42:51
591
转载 贝叶斯估计
--来自百度百科贝叶斯估计贝叶斯估计将后验概率(考虑相关证据或数据后,某一事件的条件机率)推导为二个前、先验概率(考虑相关证据或数据前,某一事件不确定性的机率)及似然函数(由概率模型推导而得)的结果。贝叶斯推断根据贝叶斯定理计算后验概率: 其中,1) 表示将某事件成立作为条件(因此 表示假定B成立的A)2) 表示假说,其机率可能会受实验数据(以下会称为证据)影响。一般来说会有许多互相矛盾的假...
2018-05-22 19:39:35
1344
转载 先验概率/后验概率
https://www.cnblogs.com/yemanxiaozu/p/7680761.html贝叶斯公式的直观理解(先验概率/后验概率)前言 以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象脱节的东西,今天在听喜马拉雅的音频的时候突然领悟到,贝叶斯老人家当时想到这么一种理论前提可能也是基于一种人的直觉.先验概率:是指根据以往经验和分析得到的概率.[1] ...
2018-05-22 17:48:17
755
1
原创 信息论概念
--来自百度百科信息熵,是随机变量或整个系统的不确定性。熵越大,随机变量或系统的不确定性就越大。相对熵,用来衡量两个取值为正的函数或概率分布之间的差异。交叉熵,用来衡量在给定的真实分布下,使用非真实分布所指定的策略消除系统的不确定性所需要付出的努力的大小。相对熵=交叉熵-信息熵: 信息熵通常,一个信源发送出什么符号是不确定的,衡量它可以根据其出现的概率来度量。概率大,出现机会多,不确定性小;反之就...
2018-05-21 16:24:10
1273
转载 极大似然估计法
极大似然估计法如果总体X为离散型假设分布率为P=p(x;θ)P=p(x;θ),x是发生的样本,θθ是代估计的参数,p(x;θ)p(x;θ)表示估计参数为θθ时,发生x的的概率。那么当我们的样本值为:x1,x2,...,xnx1,x2,...,xn时,L(θ)=L(x1,x2,...,xn;θ)=∏i=1np(xi;θ)L(θ)=L(x1,x2,...,xn;θ)=∏i=1np(xi;θ)其中L(θ...
2018-05-16 20:21:27
650
转载 高并发网络编程之epoll详解
高并发网络编程之epoll详解转载 2017年06月24日 13:43:1714042在linux 没有实现epoll事件驱动机制之前,我们一般选择用select或者poll等IO多路复用的方法来实现并发服务程序。在大数据、高并发、集群等一些名词唱得火热之年代,select和poll的用武之地越来越有限,风头已经被epoll占尽。本文便来介绍epoll的实现机制,并附带讲解一下select和pol...
2018-04-20 20:03:39
106
转载 高性能Server---详述Reactor
https://www.cnblogs.com/ivaneye/p/5731432.html高性能Server---Reactor模型原文地址:http://www.ivaneye.com/2016/07/23/iomodel.html无处不在的C/S架构在这个充斥着云的时代,我们使用的软件可以说99%都是C/S架构的!你发邮件用的Outlook,Foxmail等你看视频用的优酷,土豆等你写文档用...
2018-04-20 11:43:29
153
转载 libevent源码深度剖析二
https://blog.csdn.net/sparkliang/article/details/4957744libevent源码深度剖析二——Reactor模式张亮前面讲到,整个libevent本身就是一个Reactor,因此本节将专门对Reactor模式进行必要的介绍,并列出libevnet中的几个重要组件和Reactor的对应关系,在后面的章节中可能还会提到本节介绍的基本概念。1 Reac...
2018-04-20 11:24:51
262
转载 USB协议
https://www.cnblogs.com/tureno/articles/6286321.htmlhttp://blog.csdn.net/myarrow/article/details/82791561. USB协议1.1 USB主机系统 在USB主机系统中,通过根集线器与外部USB从机设备相连的处理芯片,称为USB主机控制器。USB主机控制器包含硬件、软件和固件一部分。1.2...
2018-03-31 15:52:54
1407
1
转载 浅谈USB驱动架构
https://blog.csdn.net/u014276460/article/details/47292427USB系统可以分为两个系统:(1)主机系统HOST;(2)设备系统(Device)。USB主机系统HostUSB主机系统中,USB主机控制器是一块核心的处理芯片,主机控制器通过根集线器(Root Hub)与外部USB从机设备相连。USB主机控制器包含硬件、软件、固件等部分。USB设备系...
2018-03-31 15:48:53
1203
转载 SIP协议 会话发起协议
https://www.cnblogs.com/gardenofhu/p/7299963.html 会话发起协议(SIP)是VoIP技术中最常用的协议之一。它是一种应用层协议,与其他应用层协议协同工作,通过Internet控制多媒体通信会话。SIP - 概述以下是有关SIP的几点注意事项 -SIP是用于通过因特网协议创建,修改和终止多媒体会话的信令协议。会话只不过是两个端点之间的简单调用。端点可以...
2018-03-27 20:17:29
417
转载 ortp 源码分析
https://blog.csdn.net/hanbo79/article/details/69681370源代码:从http://download.savannah.gnu.org/releases/linphone/ortp/sources/下载ortp-0.22.0.tar.gz这个版本可以直接使用vs2010编译成功但是这个源码库也存在一些问题,我把我编译好的源码和exe打包: http:...
2018-03-26 15:41:43
374
转载 FFmpeg源代码结构图
https://www.cnblogs.com/x_wukong/p/4864863.htmlFFmpeg源代码结构图-解码首先呈现分析出来的FFmpeg源代码结构图。这张图的尺寸非常的大,尺寸大约有4000x4000,有点像一张地图(因此最好选择“查看更清晰的图片”之后,右键保存图片到本机之后再查看)。它表明了FFmpeg在解码一个视频的时候的函数调用流程。为了保证结构清晰,其中仅列出了最关键的...
2018-03-26 10:02:46
402
Linux系统命令及其使用详解
2012-08-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人