sean_sysu-CSDN博客

原创读书笔记--PRML（1）

什么是slam？ slam是Simultaneous Localization And Mapping的缩写。Mapping是综合sensor的数据，并且表示出来。也就是回到了“这是世界是什么样子的”这个问题。而Localization则是定位机器人在的位置，已知机器人的初始位置，通过跟踪机器人的姿态，知道现在的位置是在哪里。也就是让机器人回答“我在哪里？”的问题。所以SLAM就是一边建图一边给机

2016-04-26 19:51:04 322

原创 SLAM实践（1）

什么是slam？ slam是Simultaneous Localization And Mapping的缩写。Mapping是综合sensor的数据，并且表示出来。也就是回到了“这是世界是什么样子的”这个问题。而Localization则是定位机器人在的位置，已知机器人的初始位置，通过跟踪机器人的姿态，知道现在的位置是在哪里。也就是让机器人回答“我在哪里？”的问题。所以SLAM就是一边建图一边给机

2016-04-26 17:08:02 370

原创实践cmake（1）--搭建hello world

一些简单的语法：PROJECT ：PROJECT (project_name [CXX] [C] [Java])**支持语言可以缺省两个cmake变量：project_name_BINARY_DIR 以及project_name_SOURCE_DIR （最好使用系统预先定义好的PROJECT_BINARY_DIR以及PROJECT_BINARY_DIR替代，免得更改工程名之后需要更改这些变量名

2016-04-25 14:45:39 706 1

原创读书笔记--推荐系统实践（4）

这次主要谈一下对推荐系统中的用户相似度进行的一个改进。首先有这样的一个现象，有些热门物品是很多人都共同拥有的，并不能代表兴趣所在，如：新华字典等，然而冷门物品往往可以反应兴趣所在，比如，买了数据挖掘导论，一般只有做数据挖掘的人才会买这个书。所以我们在计算用户相似度的时候，可以考虑给热门物品增加一个惩罚项。算法实现如下：def UserSimilarity(train): #bui

2016-03-18 22:57:38 286

原创读书笔记---推荐系统实践（3）

基于邻域的算法基于领域的算法是推荐系统中最基本的算法，包括基于用户的协同过滤算法以及基于物品的协同过滤算法。基于用户的协同过滤算法这是推荐系统中最古老的算法，甚至可以说这个算法标志这推荐系统的诞生。基础算法主要步骤：（1）找到和目标用户有相似兴趣的用户集合。（2）根据相似用户的感兴趣的，推荐目标用户感兴趣但是没有听说过的进行推荐。对于步骤（1），关键是计算两个用户的兴趣的相似度。

2016-03-11 08:46:09 347

原创读书笔记--推荐系统实践（2）

第二章利用用户行为数据用户行为数据简介最简单的存在形式是：日志行为数据的反馈形式以及对比：用户行为分析设计算法之前的分析，更有针对性的进行算法设计。用户活跃度和物品流行度的分布：满足Power Law分布（长尾分布）用户活跃度和物品流行度的关系：一般规律：越是老用户越去倾向于浏览冷门的用户。一般而言，仅仅基于用户行为数据的算法叫做协同过滤算法（Collaborative

2016-03-09 19:34:15 478

原创读书笔记 -- 推荐系统实践（1）

读书笔记 – 推荐算法（1）第一章什么是推荐算法？推荐算法是用于解决信息过载问题的方法，链接无明确需求的用户与物品的工具。个性化推荐依赖于用户行为。大多数包括：前台展示页，后台日志系统以及推荐算法系统。应用情景是：存在信息过载 & 大多数时候人们没有明确需求。可以用在：电子商务，电影与视频，音乐or电台，社交网络，阅读，基于定位的服务，广告等等推荐系统测评重要指标：推荐准确度。但是

2016-03-09 18:00:54 397

Sean的博客