- 博客(71)
- 资源 (5)
- 收藏
- 关注
转载 表情识别数据集整理
原文见http://blog.csdn.net/computerme/article/details/49469767CK and CK+ It contains 97 subjects, which posed in a lab situation for the six universal expressions and the neutral expression. Its
2016-05-22 20:59:20 15249 9
原创 Caffe搭建:Ubuntu14.04 + CUDA7.5 + opencv3.1+python3.5
从Hinton在science上发表深度学习训练开创新的文章以来,深度学习火了整整有3年多,而且随着新的硬件和算法的提出,深度学习正在应用于越来越多的领域,发挥其算法的优势。 实验室并没有赶上第一波深度学习热,但是让人高兴的是最近终于配了一台超级电脑,虽说和谷歌、百度几百个上千个GPU跑算法的设备不能比,但是好歹终于有了搭建自己的深度学习平台,想想还很是兴奋。最近这几天忙着搭建深度学习平
2016-05-12 01:25:29 11268 3
原创 使用word2vec对新浪微博进行情感分析和分类
原文发表于:http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6906802本文仅是对上文的学习和复现Word2vec可以将词语转换为高维向量空间中的向量表示,它能揭示上下文关系。首先使用word2vec,将其训练得到词向量作为特征权重,然后根据情感词典和词性的两种特征选择方法筛选出有价值的特征,最后引入SVM训练和预测,最终达
2016-04-15 23:03:47 60172 11
原创 读书笔记-神经网络与深度学习(一)-使用神经网络识别手写数字
目录如下1、感知器2、S型神经元3、神经网络的架构4、一个简单的分类手写数字的网络5、使用梯度下降算法进行学习6、实现我们的网络来分类数字7、迈向深度学习1、
2016-04-15 13:39:16 2880
转载 实例详解机器学习如何解决问题
前言随着大数据时代的到来,机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界,机器学习都是一个炙手可热的方向,但是学术界和工业界对机器学习的研究各有侧重,学术界侧重于对机器学习理论的研究,工业界侧重于如何用机器学习来解决实际问题。我们结合美团在机器学习上的实践,进行一个实战(InAction)系列的介绍(带“机器学习InAction系列”标签的文章),介绍机器学习在解决工业
2016-04-07 09:05:45 2512
转载 机器学习中的数据清洗与特征处理综述
http://tech.meituan.com/machinelearning-data-feature-process.html背景随着美团交易规模的逐步增大,积累下来的业务数据和交易数据越来越多,这些数据是美团做为一个团购平台最宝贵的财富。通过对这些数据的分析和挖掘,不仅能给美团业务发展方向提供决策支持,也为业务的迭代指明了方向。目前在美团的团购系统中大量地应用到了机器
2016-04-07 09:03:18 448
转载 Logistic Regression 模型简介
http://tech.meituan.com/intro_to_logistic_regression.html逻辑回归(Logistic Regression)是机器学习中的一种分类模型,由于算法的简单和高效,在实际中应用非常广泛。本文作为美团机器学习InAction系列中的一篇,主要关注逻辑回归算法的数学模型和参数求解方法,最后也会简单讨论下逻辑回归和贝叶斯分类的关系,以及在多分
2016-04-07 08:51:54 1036
转载 深入FFM原理与实践
原文见http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.htmlFM和FFM模型是最近几年提出的模型,凭借其在数据量比较大并且特征稀疏的情况下,仍然能够得到优秀的性能和效果的特性,屡次在各大公司举办的CTR预估比赛中获得不错的战绩。美团点评技术团队在搭建DSP的过程中,探索并使用了F
2016-04-07 08:49:35 1172
转载 美团推荐算法实践
前言推荐系统并不是新鲜的事物,在很久之前就存在,但是推荐系统真正进入人们的视野,并且作为一个重要的模块存在于各个互联网公司,还是近几年的事情。随着互联网的深入发展,越来越多的信息在互联网上传播,产生了严重的信息过载。如果不采用一定的手段,用户很难从如此多的信息流中找到对自己有价值的信息。解决信息过载有几种手段:一种是搜索,当用户有了明确的信息需求意图后,将意图转换为几个简短
2016-04-06 22:34:19 2149
转载 实例详解机器学习如何解决问题
原文http://tech.meituan.com/mt-mlinaction-how-to-ml.html前言随着大数据时代的到来,机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界,机器学习都是一个炙手可热的方向,但是学术界和工业界对机器学习的研究各有侧重,学术界侧重于对机器学习理论的研究,工业界侧重于如何用机器学习来解决实际问题。我们结合美团在机器学习上的
2016-04-06 22:33:28 448
原创 Regression的 应用-预测房价
概要:一、Jupyter的使用二、一、使用jupyter1、启动ipython notebook导入graphlabimport graphlab as gl加载数据sf=gl.SFrame('home_data.gl')显示sf.show()sf.show(view="Scatter Plot",x="sqft_living",y="price")
2016-04-04 10:48:00 1047
原创 Stanford机器学习---第十讲. 数据降维
本文原始地址见http://blog.csdn.net/abcjennifer/article/details/8002329,在此添加了一些自己的注释方便理解本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Suppor
2016-03-27 20:44:08 1731
原创 Stanford机器学习---第九讲. 聚类
本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Support Vector Machines 支持向量机)、聚类、降维、异常检测、大规模机器学习等章节。内容大多来自Standford公开课machine learning中
2016-03-27 20:42:41 1146
原创 Stanford机器学习---第八讲. 支持向量机SVM
本文原始文章见http://blog.csdn.net/abcjennifer/article/details/7849812,本文添加了一些自己的理解本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Support Ve
2016-03-27 20:41:41 1726
原创 Stanford机器学习---第七讲. 机器学习系统设计
本文原始版本见http://blog.csdn.net/abcjennifer/article/details/7834256本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Support Vector Machines
2016-03-27 20:36:18 1059
原创 Stanford机器学习---第六讲. 怎样选择机器学习方法、系统
原文见http://blog.csdn.net/abcjennifer/article/details/7797502 添加了一些自己的注释和笔记本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Support Vect
2016-03-26 15:24:33 1343
原创 Stanford机器学习---第五讲. 神经网络的学习 Neural Networks learning
原文见http://blog.csdn.net/abcjennifer/article/details/7758797,添加了一些自己的理解本栏目(Machine learning)包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM(Support Vector M
2016-03-26 10:25:09 1377
原创 Stanford机器学习---第四讲. 神经网络的表示
见http://blog.csdn.net/abcjennifer/article/details/7749309第四讲——Neural Networks 神经网络的表示===============================(一)、为什么引入神经网络?——Nonlinear hypothesis(二)、神经元与大脑(Neurons and Brain)(
2016-03-11 14:51:23 649
原创 Stanford机器学习---第三讲. 逻辑回归和过拟合问题的解决
第三讲-------Logistic Regression & Regularization本讲内容:Logistic Regression=========================(一)、Classification(二)、Hypothesis Representation(三)、Decision Boundary(四)
2016-03-08 21:30:44 989
原创 人脸情感识别相关的资料
http://cs229.stanford.edu/proj2014/Jithin%20Thomas,%20Bhrugurajsinh%20Chudasama,%20Chinmay%20Duvedi,%20Learning%20Facial%20Expressions%20From%20an%20Image.pdf
2016-01-22 16:34:05 1725
原创 ubuntu 14.04 安装opencv3 过程以及遇到的问题
1st step: Install the DependenciesTo install the dependencies required from OpenCV, just run the following commands:sudo apt-get -y install libopencv-dev build-essential cmake git libgtk2.0-dev pkg-co
2015-12-16 12:11:35 6036
原创 数据结构-链表
一、单链表 1、单链表由各个元素之间通过一个指针彼此链接。每个元素包含两部分:数据成员和一个称为next的指针。 从概念上说,可以把链表想象成一系列连续的元素。然而,这些元素是动态分配的(在C语言中调用malloc),因此,很重要的一点是:切记这些元素通常实际上都是分散在内存空间的。
2015-10-14 23:56:58 501
原创 数据结构之-线性表
1、定义 线性表(List):零个或者多个数据元素的有限序列2、线性表的抽象数据类型类型名称:线性表(List)数据对象集:线性表是 n (≥0)个元素构成的有序序列( a1, a2, ,an)操作集:线性表L List,整数i表示位置,元素X ElementType,线性表基本操作主要有:1、List MakeEmpty():
2015-10-12 21:09:00 544
原创 九、机器学习系统设计笔记之分类III:音乐体裁分类
1、路线图概述2、获取音乐数据3、观察音乐4、用FFT构建第一个分类器5、用梅尔倒谱系数提升分类效果
2015-10-11 11:11:24 1607
原创 六、机器学习系统设计笔记之分类II情感分析
1、路线图概述2、获取推特数据3、朴素贝叶斯分类器介绍4、创建第一个分类器并调优5、清洗推文6、将词语类型考虑进去
2015-10-11 11:05:57 1204
原创 五、机器学习系统设计笔记之分类:劣质答案检测
1、路线图概述2、学习如何区分优秀答案3、获取数据4、创建第一个分类器5、决定怎样提升效果6、采用逻辑回归7、观察正确率的背后8、为分类器瘦身9、出货
2015-10-11 11:00:33 669
原创 一、机器学习系统设计笔记之python机器学习入门
一,学习Numpy 因为numpy.array会遮挡python自带的数组模块,应该使用以下方式: >>> numpy.version.full_version'1.9.3'>>> import numpy as np>>> a = np.array([0,1,2,3,4,5])>>> aarray([0, 1, 2, 3, 4, 5])>>> a.ndi
2015-10-10 11:24:25 1427
原创 C++primer第五版笔记-第十九章特殊工具与技术
1、控制内存分配2、运行时类型识别3、枚举类型4、类成员指针5、嵌套类6、union:一种节省空间的类7、局部类8、固有的不可移植的特性
2015-10-10 11:12:56 571
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人