- 博客(12)
- 资源 (12)
- 收藏
- 关注
转载 linux下生成core dump文件方法及设置
linux下生成core dump文件方法及设置2015-03-07 14:27 2529人阅读 评论(0) 收藏 举报目录(?)[-]如何产生Core Dump上手调试GDB 常用操作源自:http://andyniu.iteye.com/blog/1965571core dump的概念:A core dump is t
2015-12-18 11:58:17 556
转载 在 Linux 上找出并解决程序错误的主要方法
在 Linux 上找出并解决程序错误的主要方法Steve Best(sbest@us.ibm.com) JFS 核心小组成员,IBM您可以用各种方法来监控运行着的用户空间程序:可以为其运行调试器并单步调试该程序,添加打印语句,或者添加工具来分析程序。本文描述了几种可以用来调试在 Linux 上运行的程序的方法。我们将回顾四种调试问题的情况,这些问题包括段错误,内存溢出和
2015-12-18 11:42:31 1023
转载 Linux调试技术
1.调试技术的几个准则惊喜准则:找到错误是一种惊喜,心理上不要畏惧而是要怀着感恩的心去面对。从小处开始准则:刚开始测试的使用从小处着手,暂时不涉及边界数据,虽然这样可能会掩盖一些Bug,但是这样或许能查到最主要的Bug,例如你的程序包含了一个巨大的循环体,最容易发现的Bug在第一个循环或第二次循环执行的时候。自顶向下准则:优先选择step over而不是step into,以节省时间。Se
2015-12-18 11:34:53 621
转载 Linux内核调试方法总结
Linux内核调试方法总结发表于3年前(2013-03-12 16:25) 阅读(18908) | 评论(3) 48人收藏此文章, 我要收藏赞8linux 调试目录[-]一 调试前的准备二 内核中的bug三 内核调试配置选项1 内核配置2 调试原子操作四 引发bug并打印信息1 BUG()和B
2015-12-18 11:27:55 220
转载 参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)
参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)基础频率学派与贝叶斯学派http://www.douban.com/group/topic/16719644/http://www.zhihu.com/question/20587681最大似然估计(Maximum likelihood e
2015-12-13 17:00:58 1006
转载 Relation Extraction中SVM分类样例unbalance data问题解决 -松弛变量与惩罚因子
Relation Extraction中SVM分类样例unbalance data问题解决 -松弛变量与惩罚因子2012-11-06 13:03 5519人阅读 评论(2) 收藏 举报 分类:NLP/IR(14) 数据挖掘(18) 版权声明:本文为博主原创文章,未经博主允许不得转载。1、问题描述做关系抽取就是要从产品评论中
2015-12-13 16:43:00 571
转载 文本语言模型的参数估计-最大似然估计、MAP及贝叶斯估计
以PLSA和LDA为代表的文本语言模型是当今统计自然语言处理研究的热点问题。这类语言模型一般都是对文本的生成过程提出自己的概率图模型,然后利用观察到的语料数据对模型参数做估计。有了语言模型和相应的模型参数,我们可以有很多重要的应用,比如文本特征降维、文本主题分析等等。本文主要介绍文本分析的三类参数估计方法-最大似然估计MLE、最大后验概率估计MAP及贝叶斯估计。1、最大似然估计
2015-12-11 15:11:41 546
转载 加密文件系统优势
加密文件系统 2009-12-13 17:45:23分类: LINUX加密文件系统优势1, 加密文件转移到别的物理介质上时,没有额外的加密/解密开销。2, 支持文件粒度的加密,也就是说,用户可以选择对哪些文件或目录加密。而且,应用程序不用关心文件是否被加密,可以完全透明地访问加密文件。3, 无需预先保留足够的空间,用户可以随时加密或恢复文件。4, 对单个
2015-12-07 16:49:13 709
转载 从结构化风险最小化角度理解SVM
[原]从结构化风险最小化角度理解SVM2013-12-7阅读425 评论0 最近在讨论班上,LXH同学讲到Structural SVM with latent variables,最后大家提出了一个问题:他讲的怎么没体现出SVM的思想啊?? 刚开始我也是这么想的,后来想了一下,也许可以换个角度理解SVM。 统计学习方法由
2015-12-07 16:37:31 644
转载 结构化风险最小、VC维到SVM的理解
支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上。置信风险: 分类器对 未知样本进行分类,得到的误差。经验风险: 训练好的分类器,对训练样本重新分类得到的误差。即样本误差结构风险:置信风险 + 经验风险结构风险最小化就是为了防止过拟合而提出来的策略,贝叶斯估计中最大后验概率估计就是结构风险最小化的一个例子。当模型的条件概率分布、损失函数是对数
2015-12-07 16:23:45 627
转载 MLE和MAP
最大似然估计提供了一种给定观察数据来评估模型参数的方法,即:“模型已定,参数未知”。简单而言,假设我们要统计全国人口的身高,首先假设这个身高服从服从正态分布,但是该分布的均值与方差未知。我们没有人力与物力去统计全国每个人的身高,但是可以通过采样,获取部分人的身高,然后通过最大似然估计来获取上述假设中的正态分布的均值与方差。 最大似然估计中采样需满足一个很重要的假设,就是所有的采样都是
2015-12-07 16:21:37 457
转载 判别式模型与生成式模型
判别式模型该模型主要对p(y|x)建模,通过x来预测y。在建模的过程中不需要关注联合概率分布。只关心如何优化p(y|x)使得数据可分。通常,判别式模型在分类任务中的表现要好于生成式模型。但判别模型建模过程中通常为有监督的,而且难以被扩展成无监督的。 常见的判别式模型有: Logistic regression Linear discriminant analysis
2015-12-07 16:09:57 347
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人