![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
学习
文章平均质量分 63
努力进行光合作用
--生活像一场长跑,起点低并没有固定到达终点时的高度。
--嗯,生命是一个长久、不断积累的过程。
展开
-
JAVAEE知识点
--这是一个神奇的文档,据说看到的人都会得到好运。 --BY VAY--------------原创 2016-01-09 15:27:59 · 2767 阅读 · 1 评论 -
数学之美阅读笔记(1)
大一的时候就开始看吴军博士第一版的《数学之美》,苦于那时年少无知不懂事,加上自身数学知识的体系不健全,翻着翻着也就没有了后文。现在读了研究僧,也许是换了个视野,看到书的开头“中国教育最失败的就是学生从上课的第一天到考试结束,都不知道学的东西能干什么。”,果然是大实话,私以为学习的原动力在于内心的诉求,当有应用的需求时,学习起来就会更带劲。趁着在校时光,安安静静读读书写写字。原创 2017-04-21 14:54:02 · 5180 阅读 · 0 评论 -
Latex数学公式表
Latex的两种公式模式:行间(inline)模式:即在正文中插入数学内容。行间公式用$ … $ 独立(display)模式:独立成行,可以有或没有编号。无编号用\ [ … \ ]原创 2017-04-17 20:20:15 · 25139 阅读 · 3 评论 -
矩阵理论基础知识(3)--广义逆矩阵
使用奇异值分解(SVD)求解M-P广义逆原创 2017-02-26 22:52:48 · 1870 阅读 · 0 评论 -
【转】主成分分析(PCA)原理解析
在这一篇之前的内容是《Factor Analysis》,由于非常理论,打算学完整个课程后再写。在写这篇之前,我阅读了PCA、SVD和LDA。这几个模型相近,却都有自己的特点。本篇打算先介绍PCA,至于他们之间的关系,只能是边学边体会了。PCA以前也叫做Principal factor analysis。转载 2017-02-26 21:01:03 · 2888 阅读 · 0 评论 -
【转】奇异值分解(SVD)原理详解及推导
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 SVD of a Matrix,觉得分析的特别好,把矩阵和空间关系对应了起来。本文就参考了该文并结合矩阵的相关知识把SVD原理梳理一下。转载 2017-02-23 16:28:49 · 879 阅读 · 0 评论 -
【转】常见向量范数和矩阵范数
1、向量范数1-范数:,即向量元素绝对值之和,matlab调用函数norm(x, 1) 。2-范数:,Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方,matlab调用函数norm(x, 2)。∞-范数:,即所有向量元素绝对值中的最大值,matlab调用函数norm(x, inf)。-∞-范数:,即所有向量元素绝对值中的最小值,matlab调用函数norm转载 2017-02-25 20:47:15 · 711 阅读 · 0 评论 -
矩阵理论基础知识(2)--常见的几种矩阵分解方式
本篇主要介绍和讨论了矩阵的几种常见分解方式,包括:LU分解,UR/QR分解以及特征值分解,另外由于SVD分解较为复杂,将另起一篇单独介绍。原创 2017-02-25 19:51:32 · 9946 阅读 · 0 评论 -
矩阵理论基础知识(1)--特征值与特征向量
之所以想起来总结这部分的知识,也是由于目前学习的机器学习算法中,矩阵论/矩阵你分析呈刷屏似的出现,而之前本科阶段的高等代数中,总是只知道有这么个东西,也初略知道怎么计算,但不知道其中的真正含义,因此这两天决定将这块知识汇总下,知其然也知其所以然。原创 2017-02-24 14:00:18 · 7578 阅读 · 0 评论 -
数学之美阅读笔记(2)
延续上一篇内容,《数学之美》这本书我想吴军博士的初衷是非科班也能读懂,书中对数学知识的解释极为详细,所以我只将书中的核心思想抽取出来,方便今后很容易Get到点,有些篇章为介绍性文字,我也把重要的鸡汤拿出来喝一喝,为了将篇幅控制在可读范围内,每篇包含7个模块内容。原创 2017-04-27 10:31:51 · 863 阅读 · 0 评论