数学知识
文章平均质量分 80
凌风探梅
这个作者很懒,什么都没留下…
展开
-
数学常数e的含义
FROM: http://www.ruanyifeng.com/blog/2011/07/mathematical_constant_e.html作者: 阮一峰日期: 2011年7月 9日1.e是一个重要的常数,但是我一直不知道,它的真正含义是什么。它不像π。大家都知道,π代表了圆的周长与直径之比3.14159,可是如果我问你,e代表了什么。你能回答吗?转载 2015-03-13 11:26:19 · 983 阅读 · 0 评论 -
最大后验概率估计算法
原作者未知最大后验估计是根据经验数据获得对难以观察的量的点估计。与最大似然估计类似,但是最大的不同时,最大后验估计的融入了要估计量的先验分布在其中。故最大后验估计可以看做规则化的最大似然估计。 首先,假设x为独立同分布的采样,θ为模型参数,f为我们所使用的模型。那么最大似然估计可以表示为: 现在,假设θ的先验分布为g。通过贝叶斯理论,对于θ的后验分布如转载 2017-07-19 00:09:21 · 5393 阅读 · 0 评论 -
期望最大化(EM)算法
原作者未知EM是我一直想深入学习的算法之一,第一次听说是在NLP课中的HMM那一节,为了解决HMM的参数估计问题,使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。1. Jensen不等式 回顾优化理论中的一些概念。设f是定义域为实数的函数,如果对于所有的实数x,,那么f是凸函转载 2017-07-19 00:08:22 · 695 阅读 · 0 评论 -
最大似然估计算法
原作者未知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转载 2017-07-19 00:07:04 · 1035 阅读 · 0 评论 -
量子计算核心突破!Shor算法实现或使密码成摆设
from: http://tech.sina.com.cn/d/i/2016-03-05/doc-ifxqafha0387393.shtml互联网时代绝大多数的加密,都由RSA算法完成。过去我们认为RSA不可破解,但随着量子计算的发展,RSA的安全性正受到挑战。今天刊发在《科学》杂志的最新论文,量子计算机有史以来第一次以可扩展的方式,用Shor算法完成对数字15的质因数分解。IBM 物理科转载 2016-11-22 20:15:08 · 2557 阅读 · 0 评论 -
SVD在推荐系统中的应用详解以及算法推导
转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/43083603 前面文章SVD原理及推导已经把SVD的过程讲的很清楚了,本文介绍如何将SVD应用于推荐系统中的评分预测问题。其实也就是复现Koren在NetFlix大赛中的使用到的SVD算法以及其扩展出的RSVD、SVD++。 记得刚接触SVD是在大二转载 2016-09-21 09:17:53 · 1835 阅读 · 1 评论 -
SVD分解的并行实现
在之前的文章中,我对SVD进行了大致的了解,它在互联网高端领域中有广泛的应用,至于它的一些详细应用以后再进一步学习。现在主要的问题是如何有效地实现SVD分解,接下来我会先用两种方法来实现SVD分解,即基于双边Jacobi旋转的SVD和基于单边Jacobi旋转的SVD。 这两种方法重点参考中国知网上的一篇论文:《并行JACOBI方法求解矩阵奇异值的研究》转载 2016-09-20 16:51:51 · 1257 阅读 · 0 评论 -
齐次线性方程组的解、SVD、最小二乘法
转自:http://blog.csdn.net/dsbatigol/article/details/9625211 AX=0这是一个齐次线性方程组(一般的非齐次线性方程组AX=b其实也都可以化为齐次方程组的形式,所以比较普遍)先要说明在非齐次方程组中,A到底有没有解析解,可以由增广矩阵来判断:r(A)r(A)=r(A | b) =n,方程组有唯一解;r(A)转载 2016-09-20 16:50:32 · 3447 阅读 · 0 评论 -
奇异值分解(SVD)原理详解及推导 (转)
很不错的文章,适合入门。转载出处http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有需要补充的,特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章,叫A Singularly Valuable Decomposition The S转载 2016-09-20 16:49:17 · 1813 阅读 · 0 评论 -
SVD分解及应用的直观理解
转载自: http://blog.csdn.net/zhaoxinfan/article/details/8248637这篇论文是矩阵分析课上老师布置的一项作业,主要内容来自于http://www.ams.org/samplings/feature-column/fcarc-svd 这篇文章,经过自己的翻译整理后得到了这篇文章。这里并不是完全按照全文进行一字一句的翻译,添加转载 2016-09-20 15:01:43 · 4514 阅读 · 0 评论 -
SVD分解算法及其应用
SVD分解算法及其应用时间 2013-07-16 11:39:27 十一城原文 http://elevencitys.com/?p=3923主题 奇异值分解 主成分分析 算法矩阵的奇异值分解在矩阵理论的重要性不言而喻,它在最优化问题、特征值问题、最小乘方问题、广义逆矩阵问,统计学,图像压缩等方面都有十分重要的应用。定义: 设A为m*n阶矩阵, A H转载 2016-09-20 15:00:10 · 1366 阅读 · 0 评论 -
奇异值分解和图像压缩
奇异值分解和图像压缩from: http://cos.name/2014/02/svd-and-image-compression/【2.18更新】:楠神写了一个非常gelivable的Shiny应用,用来动态展示图片压缩的效果随k的变化情况。谢大大把这个应用放到了RStudio的服务器上,大家可以点进去玩玩看了。=====================代表正义的转载 2016-09-20 14:58:34 · 2088 阅读 · 0 评论 -
SVD分解及其应用
SVD分解及其应用标签: 矩阵图像压缩2015-11-26 15:52 356人阅读 评论(0) 收藏 举报版权声明:本文为博主原创文章,未经博主允许不得转载。目录(?)[+]SVD起源对角化概述SVDSVD应用图像压缩2数据去噪LSA推荐系统注意参考资料SVD可谓线性代转载 2016-09-20 14:56:23 · 774 阅读 · 0 评论 -
奇异值分解(SVD) --- 几何意义2
在这篇文章中,我们以几何的视角去观察矩阵奇异值分解的过程,并且列举一些奇异值分解的应用。介绍矩阵奇异值分解是本科数学课程中的必学部分,但往往被大家忽略。这个分解除了很直观,更重要的是非常具有实用价值。譬如,Netflix(在线电影租赁公司)对能够提高其电影推荐系统准确率10%的人提供100万美元的丰厚奖金。令人惊奇的是,这个看似简单的问题却非常具有挑战性,相关的团队正在使用非常复杂转载 2016-09-20 14:48:45 · 1025 阅读 · 0 评论 -
数据挖掘基础知识-矩阵(分解)
from: http://blog.csdn.net/u010140338/article/details/421910471. 矩阵知识://特征值,行列式,秩,对称矩阵,单位矩阵,正定半正定,雅可比等等!!正交矩阵:如果:AA'=E(E为单位矩阵,A'表示“矩阵A的转置矩阵”。)或A′A=E,则n阶实矩阵A称为正交矩阵, 若A为正交阵,则满足以下条件:1)转载 2015-08-14 13:35:08 · 2705 阅读 · 0 评论 -
关于Beta分布、二项分布与Dirichlet分布、多项分布的关系
from:http://blog.csdn.net/u010140338/article/details/41344853From : http://www.cnblogs.com/wybang/p/3206719.html http://cos.name/2013/01/lda-math-beta-dirichlet/ 在机器学习领域中,概率模转载 2015-08-14 13:36:14 · 1987 阅读 · 0 评论 -
虚数的意义
FROM: http://www.ruanyifeng.com/blog/2012/09/imaginary_number.html作者: 阮一峰日期: 2012年9月24日有人在Stack Exchange问了一个问题: "我一直觉得虚数(imaginary number)很难懂。 中学老师说,虚数就是-1的平方根。 可是,什么数的平转载 2015-03-13 15:38:35 · 1031 阅读 · 0 评论 -
矩阵特征值与行列式、迹的关系
矩阵特征值与行列式、迹的关系from: http://www.cnblogs.com/AndyJee/p/3737592.html矩阵的特征值之和等于矩阵的行列式矩阵的特征值之积等于矩阵的迹简单的理解证明如下:1、二次方程的韦达定理:请思考:x^2+bx+c=0 这个方程的所有根的和等于多少、所有根的积等于多少2、把二转载 2016-09-08 14:03:10 · 90221 阅读 · 8 评论