windshg的专栏

转自：http://blog.csdn.net/abcjennifer/article/details/7826917 Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。 Key Words：有监督学习与无监督学习，分类

参考：http://blog.sciencenet.cn/blog-722391-569547.html   UIUC的Jia-Bin Huang同学收集了很多计算机视觉方面的代码，链接如下： https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html   这些代码很实用，可以让我们站在巨人的肩膀上~~   ...

本文分享了STM32F4循迹小车调试过程中遇到的TB6612电机转速差问题及解决方案。通过分析硬件差异、参数整定和机械优化，作者发现减速电机和硬质轮胎导致常规参数失效，最终采用动态补偿策略和硬件调整使小车稳定巡线。

深度学习(Deep Learning)综述 Comments from Xinwei: 本文是从deeplearning网站上翻译的另一篇综述，主要简述了一些论文、算法已经工具箱。   深度学习是ML研究中的一个新的领域，它被引入到ML中使ML更接近于其原始的目标：AI。查看a brief introduction to Machine Learning for AI 和 an intro...

参考： http://miaochen314.blog.163.com/blog/static/869642200941891651899/?fromdm&fromSearch&isFromSearchEngine=yes   Linear Algebra (线性代数) 和 Statistics (统计学) 是最重要和不可缺少的。这代表了Machine Learning中最主流...

AI生成内容已深度融入日常创作，但‘生成即完成’的惯性工作流正埋下输入失控、逻辑偏差、文化错位、责任模糊等系统性风险。其本质并非模型能力缺陷，而是创作者在prompt设计、数据使用、输出校验等关键环节缺乏可感知、可拦截、可验证的控制机制。本文聚焦AI创作者的核心责任边界，围绕输入指令层、数据喂养层、输出过滤层等六个可操作卡点，提供无需GPU、不依赖大模型API、单机即可部署的轻量级干预方案——包括Prompt三问法、三层过滤网、人工15秒确认点等，覆盖电商文案、医疗提醒、政务问答、教育生成等真实场景，助力普

参考：http://www.cnblogs.com/pangliang/archive/2011/02/27/1966303.html     用有向图表示的概率模型也叫“贝叶斯网络”. 贝叶斯网络中的两个结点与关于结点(或结点集合)条件独立时我们称“D-separates”与, 写作. D-Separation中的D指Directed. 从图形上看, 结点集合“D-separates”结点...

  Linear Algebra (线性代数) 和 Statistics (统计学) 是最重要和不可缺少的。这代表了Machine Learning中最主流的两大类方法的基础。一种是以研究函数和变换为重点的代数方法，比如Dimension reduction，feature extraction，Kernel等，一种是以研究统计模型和样本分布为重点的统计方法，比如Graphical model,...

转自：http://hi.baidu.com/imheaventian/item/c8591b19907bd816e2f98612   在数学中，海森矩阵（Hessian matrix 或 Hessian）是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵，此函数如下： 如果 f 所有的二阶导数都存在，那么 f 的海森矩阵即： H(f)ij(x) = DiDjf(x)其中 ...

参考：http://www.cnblogs.com/biyeymyhjob/archive/2012/07/18/2595410.html   初步接触 谓LR分类器(Logistic Regression Classifier)，并没有什么神秘的。在分类的情形下，经过学习之后的LR分类器其实就是一组权值w0,w1,...,wm. 当测试样本集中的测试数据来到时，这一组权值按照与测试数...

AI结对编程是当前开发者提效的核心范式，其本质是基于上下文感知的代码生成技术，依托大模型对海量开源代码的理解能力，实现从语法补全到意图驱动开发的跃迁。相比传统代码补全工具，它强调实时内联交互、跨文件上下文理解与可验证输出，技术价值在于将工程师从重复编码中解放，聚焦架构设计与问题建模。典型应用场景包括Python/Django快速原型开发、React Hooks逻辑补全、Terraform模块化配置生成等。本文深入解析GitHub Copilot的运行原理、提示词工程技巧及企业级落地要点，帮助开发者建立可持续

 参考：http://blog.csdn.net/v_july_v/article/details/7577684 引言     最近在面试中(点击查看，我的个人简历)，除了基础 &  算法 & 项目之外，经常被问到或被要求介绍和描述下自己所知道的几种分类或聚类算法，而我向来恨对一个东西只知其皮毛而不得深入，故写一个有关聚类 & 分类算法的系列文章以...

转自：http://blog.csdn.net/xiazhaoqiang/article/details/6579059   前言：     第二篇的文章中谈到，和部门老大一宁出去outing的时候，他给了我相当多的机器学习的建议，里面涉及到很多的算法的意义、学习方法等等。一宁上次给我提到，如果学习分类算法，最好从线性的入手，线性分类器最简单的就是LDA，它可以看做是简化版的SV

转自：http://blog.csdn.net/xianlingmao/article/details/7768833 通常，我们会遇到很多问题无法用分析的方法来求得精确解，例如由于式子特别，真的解不出来； 一般遇到这种情况，人们经常会采用一些方法去得到近似解（越逼近精确解越好，当然如果一个近似算法与精确解的接近程度能够通过一个式子来衡量或者有上下界，那么这种近似算法比较好

转自：http://blog.sina.com.cn/s/blog_870a639201019pee.html 相关网站： CNNs应用的最成功的一个例子：Yann LeCun（曾经是Hinton组的research associate） http://yann.lecun.com/exdb/lenet/index.html code project上的一个C+

转自：http://freemind.pluskid.org/machine-learning/sparsity-and-some-basics-of-l1-regularization/ Sparsity 是当今机器学习领域中的一个重要话题。John Lafferty 和 Larry Wasserman 在 2006 年的一篇评论中提到： Some current cha

http://blog.sina.com.cn/s/blog_6d979ba00100qpxm.html 010/2292.htmlFunction" title="收集一下核函数-Kernel Function" style="margin:0px; padding:0px; border:0px; list-style:none"> Kernel Fun

转自：http://blog.csdn.net/celerychen2009/article/details/9079715 深度神经网路已经在语音识别，图像识别等领域取得前所未有的成功。本人在多年之前也曾接触过神经网络。本系列文章主要记录自己对深度神经网络的一些学习心得。 第六篇，简要描述深度神经网络模型。 1.  自联想

转自：http://blog.csdn.net/zhoutongchi/article/details/8191991 学习映射函数及在行为识别/图像分类中应用的文献（模型与非模型之间存在关联，算法相互采用，没有明确的区分，含仿生学文献） % 研究重点放到ICA模型及深度学习兼顾稀疏编码 1）稀疏编码（稀疏编码、自动编码、递归编码）： [1] B. Olshau

转自：http://www.52nlp.cn/lda-math-mcmc-和-gibbs-sampling1 3  LDA-math-MCMC 和 Gibbs Sampling 3.1 随机模拟 随机模拟(或者统计模拟)方法有一个很酷的别名是蒙特卡罗方法(Monte Carlo Simulation)。这个方法的发展始于20世纪40年代，和原子弹制造的曼哈顿计划密切相关，当时的几个大

转自：http://www.cnblogs.com/tornadomeet/archive/2012/12/30/2839615.html 　前言 　　在前面的博文PCA算法学习_1(OpenCV中PCA实现人脸降维)中已经初步介绍了PCA算法的大概流程及在人脸降维上面的应用。本文就进一步介绍下其理论基础和matlab的实现（也是网上学者的代码）。 　　开发环境：Ma

转自：http://www.cnblogs.com/tornadomeet/archive/2013/03/22/2975456.html 前言: 　　现在来用PCA，PCA Whitening对自然图像进行处理。这些理论知识参考前面的博文：Deep learning：十(PCA和whitening)。而本次试验的数据，步骤，要求等参考网页：http://deeplearning.

转自：http://blog.csdn.net/usingnamespace_std/article/details/8936209     上一讲讲了如何用逻辑回归来解决分类问题，如果在两个类多维线性不可分的情况下，可以通过添加多项式项把向量投影到高维空间使得它线性可分。但这也存在一个问题，就是当选取的特征很多的时候，featurevector可能高达几千维，这就是维数爆炸的问