算法
DerrickLyh
这个作者很懒,什么都没留下…
展开
-
A Review of Fast L1-Minimization Algorithms for Robust Face Recognition
@作一个算法工程师往往会碰到许多难题,尤其是数学问题.数学有很强的逻辑性.它需要你有很强的逻辑思维能力,抽象思维能力,符号表达的能力.而这些正是算法工程师头疼的地方.数学讲究它的严谨性,结论的得出是需要一步一步证明得来的.如果算法工程师能够证明出数学的结论,那他对算法的原理已经相当理解了.这,对我来说,是极其困难的.即使我能够熟记整个数学证明过程,我可能也无法理解数学当中的原理.所以,我想借助博客原创 2013-11-18 10:43:32 · 1579 阅读 · 0 评论 -
在不知道算法原理的情况下,如何阅读理解算法的matlab程序
很多的时候,对于一个好的算法,我们没有它相关的第一手材料,如其相关的论文、期刊文章、会议报告、专门课程、专门的讲座、个人博客、百度文献、维基百科、谷歌搜索内容等等。没有这些材料,对算法原理的理解无疑犹如水中捞月,比登天还难。但是,我们只有算法的matlab程序。这时,如何只通过算法的matlab程序去理解算法的原理变为很重要了。这种情景就像你刚进一家公司,上一届的负责人把项目的程序扔给你后就拍屁股走人,没有给你任何项目的相关材料,叫你一个人去研究项目的程序,在程序里自己领悟。那怎样从matlab程序中哪些抽原创 2014-01-18 12:33:51 · 2546 阅读 · 2 评论 -
如何更有效的调试运行MATLAB程序(调试运行)
前面我已经讲了matlab程序阅读部分。本文主要讲的是matlab程序的调试运行。我认为两者是紧密联系的,阅读好matlab程序为了更好的调试运行程序,反之既然。而最终的目的不要忘了,我们是实现某种算法,来解决我们现实中的问题。原创 2014-01-17 15:12:03 · 2341 阅读 · 0 评论 -
Stacking Autoencoders VS Stacking RBMs
Stacking Autoencoders VS Stacking RBMs一、训练的方式二、学习的效果三、搭建的方式原创 2014-01-02 08:18:32 · 900 阅读 · 0 评论 -
Stacking Autoencoders VS CDBN
Stacking Autoencoders VS CDBN Stacking Autoencoders和CDBN都是深度学习算法。它们之间应该有一定的共性,无论是在它们框架的构建,还是在它们学习得到的特征。把它们放在一起比较有利用理解它们自己的原理,加深记忆,搭建论文,以论述研究的可行性。 框架的搭建: 1. Sparsity 2. H原创 2014-01-02 08:47:19 · 1191 阅读 · 0 评论 -
数字特征学习VS人脸特征学习
数字特征学习VS人脸特征学习一、“数字”图像的特点二、人脸图像的特点三、数字图像与人脸图像的异同 * 特征描述 *像素分布 *复杂程度 *学习情况原创 2014-01-02 08:12:26 · 772 阅读 · 0 评论 -
无监督学习算法
一、clustering methods 1) Kmeans 2) Gaussion二、matrix factorization methods 1) PCA and other variants(Such as kernel PCA) 2) ICA 3) NMF 4) Sparse codi原创 2014-01-01 09:02:39 · 1895 阅读 · 0 评论 -
稀疏自编码
一、介绍二、神经网络 1)神经网络的构成 2)反向传播算法 3)梯度检查和高级优化三、自编码与稀疏四、可视化五、数学符号解释六、参考文献原创 2014-01-01 09:09:21 · 889 阅读 · 0 评论 -
Unsupervised feature Learning_2稀疏编码
Unsupervised feature Learning_2稀疏编码网络链接: 1、http://web.eecs.umich.edu/~honglak/teaching/eecs598/schedule.html参考文献: 1、B. Olshausen, D. Field. Emergence of Simple-Cell Receptive Fie原创 2013-12-17 11:57:36 · 869 阅读 · 0 评论 -
Unsupervised Feature Learning _介绍
Course Description课程描述: Machine learning has proved a powerful tool for artificial intelligence and data mining problems. However, its success has usually relied on having a good feature re原创 2013-12-17 08:30:46 · 956 阅读 · 0 评论 -
加州理工学院公开课:机器学习与数据挖掘课程笔记(一)学习问题
机器学习与数据挖掘课程笔记(一)学习问题原创 2013-12-16 07:37:08 · 1486 阅读 · 0 评论 -
机器学习
机器学习参考资料: 外国资料: 1、Andrew Ng 2、Honglak Lee 博客: 1、 2、 课本资料: 1、Tom M. Mitchell 著,曾华军,张银奎等译,机器学习 程序运行实战: 1、python原创 2013-12-16 07:09:38 · 977 阅读 · 0 评论