xuena_xiaoming的博客

根据给定的经纬度，和平移方向、平移距离（球面距离），返回平移后的坐标

java连接pgsql线程池

概率论在机器学习中占有一定的份量，单纯的概率论是比较枯燥的，这节我们先从一个有趣的例子着手，引入生活中概率的应用，然后回顾经典的常用的概率公式、概率分布，由基本的概率分布引入机器学习常用的指数族分布。其次由事件的相关、不相关、独立，引入协方差矩阵。然后简单介绍切比雪夫不等式、大数定律和中心极限定理。最后引入最大似然。

正式进入机器学习啦，这节课还好，意外知道了庄家与赔率的计算（原来庄家真的是稳赚不赔呢，楼主表示很想设赌局去做庄）；python库好强大，Pandas包直接提供数据读取和处理，Fuzzywuzzy支持字符串模糊查找，可用于字符串纠错；知道了机器学习处理的大概流程；之前了解过主成分分析PCA这次，从方差的角度去理解PCA，简单介绍PCA和SVD的区别；最后知道对原始数据可以用one-hot编码便于后面的模型选择处理

近期因工作需要，开始学习机器学习。学习心得体会，定期更新梳理出来，首次接触，可能有理解和解释不到位的地方，望批评指正，也算是自我提升。提到机器学习，楼主第一反应是各种复杂的公式，各种搞不定的矩阵计算、积分、微分、熵等，甚至还专门为此重新学习了线性代数。其实从机器学习的角度去看数学知识，基本的高等数学、概率论等已经满足需求。以下回顾三个常用的数学知识，并和机器学习中的数学简单关联。

这次我们来讲讲机器学习基础第三部分：线性代数 其实机器学习基础中，矩阵知识的应用很多，但是内容并不多，下面主要总结为三个部分：矩阵特征值和特征向量矩阵求导 我们先讲一个在机器学习图像预处理应用中典型的方法：奇异值分解（Singular Value Decomposition,简称SVD分解） 假设A是任意一个m*n的单通道图像，则存在一个分解：Am∗n=Um∗mΣm∗nVTn∗n A_

本节我们主要简单介绍机器学习常用的语言–python。楼主本身是写java的，在这之前对python并不了解，接触之后发现python比java简直要好用几千倍。这里主要通过常用的统计量、fft、股票k线图及分形等样例，介绍python的使用及各种包的加载。1、常用的统计量常用的统计量实践中有很多，比如均值、方差等，这里主要介绍偏度、峰度及其代码实现。

这节主要介绍线性回归的相关知识，包括目标函数、最小二乘、L1、L2正则、梯度下降、AUC、logistic回归、softmax回归等。

***可任意转载***博客搬家啦：部分博客在github上，有详细代码。亲测可执行。具体见：https://github.com/xuena/python_machinelearning/blob/master/python%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E6%84%9F%E7%9F%A5%E6%9C%BA%E5%8E%9