siliang13的专栏

本文转载http://www.cnblogs.com/zhangchaoyang/articles/2802806.html

本文转自http://www.cnblogs.com/tornadomeet/archive/2012/11/12/2766458.html第1课  绪论课　　机器学习中3个比不可少的元素，数据，模型和算法。现在数据来源比较广泛，每天都可以产生T级以上的数据。模型的话就是机器学习课程中需要研究的各种模型，算法就是怎样通过数据和模型来学习出模型中的参数。但是余老师在课堂上提出一个

本文转自http://www.cnblogs.com/tornadomeet/archive/2012/12/30/2839615.html

本文转自http://www.cnblogs.com/tornadomeet/archive/2012/12/30/2839841.html

本文转载自http://www.cnblogs.com/tornadomeet/archive/2013/02/26/2933358.html关于ChaLearn数据库在前面文章ChaLearn Gesture Challenge_1：CGD数据库简单介绍中已经介绍过，当然了，关于该数据库的挑战赛在2012年主办了2场，其比赛结果依次分别在CCPRW2012和ICPRW2012中公布。

本文转载自http://www.cnblogs.com/tornadomeet/archive/2013/01/10/2854421.htmlChaLearn Gesture Challenge挑战赛是手势识别中比较新的(2011年开始的)一个挑战赛，属于机器学习挑战赛中的一个，其初衷是进行One-Shot learning的挑战，当然也不局限在此。官网为：http://gesture

转自：http://my.oschina.net/yuzh/blog/100815什么是贝叶斯分类     据维基百科上的介绍，贝叶斯定理是关于随机事件A和B的条件概率和边缘概率的一则定理。         如上所示，其中P(A|B)是在B发生的情况下A发生的可能性。在贝叶斯定理中，每个名词都有约定俗成的名称：  P(A)是A的先验概

本文转载  http://www.cnblogs.com/zhangchaoyang/articles/2842490.html

本文转载http://www.cnblogs.com/zhangchaoyang/articles/270992

本文转载http://www.cnblogs.com/xiaoyi115/p/3696107.html今天主要讲到的是决策树算法，这是一种非常经典的分类算法，经过数据集的训练，能够高效的判断出一个数据项所属的类别。     决策树算法是一种有监督的学习，也就是说会事先给定一定类别和数据集合。通过学习，能够判定出进来数据所属的类。当然，很多聚类算法都是无监督学习的，我们以后再进行

本文转载http://www.cnblogs.com/justany/archive/2012/11/23/2784125.html使用SVM#include #include #include using namespace cv;int main(){ // 用于保存可视化数据的矩阵 int width = 512, height = 512;

本文转载http://www.tuicool.com/articles/m6NJRj

本文转载自http://blog.csdn.net/lavorange/article/details/16924705本文不对KNN算法做过多的理论上的解释，主要是针对问题，进行算法的设计和代码的注解。KNN算法：优点：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。适用数据范围：数值型和标称性。工作原理：存在一个样本数据

本文转自http://www.cnblogs.com/tornadomeet/p/3395593.html

1 前言Boosting的基本思想很简单，就是"三个臭皮匠顶个诸葛亮"。将若干个弱分类器(base learner)组合起来，变成一个强分类器。大多数boosting方法都是通过不断改变训练数据的概率(权值)分布，来迭代训练弱学习器的。所以总结而言，boosting需要回答2个问题:。如何改变训练数据的概率(权值)分布如何将弱分类器组合起来下面先用Adaboost入手，聊一下b

前言：　　这次的内容是Ng关于machine learning关于svm部分的一些笔记。以前也学过一些svm理论，并且用过libsvm，不过这次一听Ng的内容，确实收获不少，隐约可以看到从logistic model到svm model的过程。 　　基础内容：　　使用linear模型进行分类时，可以将参数向量看成一个变量，如果代价函数用MSE表示，则代价函数的图形类

本文转自http://blog.csdn.net/likelet/article/details/7056068

本文转自 http://www.cnblogs.com/zhangchaoyang/articles/2196631.html先上问题吧，我们统计了14天的气象数据(指标包括outlook，temperature，humidity，windy)，并已知这些天气是否打球(play)。如果给出新一天的气象指标数据:sunny,cool,high,TRUE，判断一下会不会去打球。ta

（一）SVM的简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。 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的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Acc

本文转自http://www.cnblogs.com/zhangchaoyang/articles/2586402.html