机器学习
晟沚
开开心心过每一天~
展开
-
Hadoop详细过程
install参考http://www.jianshu.com/p/3aebdba32363 在/usr/local/Cellar/hadoop/2.8.0/sbin目录下, 执行如下命令 ./start-dfs.sh #启动HDFS ./start-dfs.sh #启动HDFS ./stop-dfs.sh #停止HDFS在浏览器打开 http://localhost:原创 2017-08-19 10:34:36 · 579 阅读 · 0 评论 -
gabor特征 gabor滤波器
gabor特征Gabor 特征是一种可以用来描述图像纹理信息的特征,Gabor 滤波器的频率和方向与人类的视觉系统类似,特别适合于纹理表示与判别。Gabor 特征主要依靠 Gabor 核在频率域上对信号进行加窗,从而能描述信号的局部频率信息。Gabor 核靠傅里叶变换,我们才能将信号转换到频率域,才能让Gabor核在频率域去加窗。而在原本的空间域中,一个 Gabor 核实际上就是一个高斯核与正弦波调原创 2017-09-01 22:03:00 · 3434 阅读 · 1 评论 -
EM算法详解
首先我们需要了解下最大似然估计,并且调查男女身高的例子将一直使用最大似然估计量假设我们需要调查我们学校的男生和女生的身高分布。你怎么做啊?你说那么多人不可能一个一个去问吧,肯定是抽样了。假设你在校园里随便地活捉了100个男生和100个女生。他们共200个人(也就是200个身高的样本数据,为了方便表示,下面,我说“人”的意思就是对应的身高)都在教室里面了。那下一步怎么办啊?你开始喊:“男的左边,女的右原创 2017-09-17 23:20:12 · 811 阅读 · 1 评论 -
GMM Kmeans代码示例
GMM代码#! /usr/bin/env python#coding=utf-8from numpy import *import pylabimport random,mathdef loadDataSet(fileName): #general function to parse tab -delimited floats dataMat = []原创 2017-09-24 22:43:25 · 3888 阅读 · 0 评论 -
GMM 和 K-means
GMM Gaussian Mixture Model 高斯混合模型每个GMM由K个Gaussian分布组成,每个Gaussian称为一个“Component”,这些Component 线性加成在一起就组成了GMM 的概率密度函数:根据上面的式子,如果我们要从 GMM 的分布中随机地取一个点的话,实际上可以分为两步:首先随机地在这 K个Gaussian Component 之中选一个,每个 Comp原创 2017-09-24 22:37:57 · 3122 阅读 · 0 评论 -
傅立叶变换详解
傅里叶变换傅里叶变换(Fourier transform)是一种线性的积分变换,从时间转换为频率的变化1. 连续傅里叶变换这是将频率域的函数F(ω)表示为时间域的函数f(t)的积分形式连续傅里叶变换的逆变换 (inverse Fourier transform)为:一般可称函数f(t)为原函数,而称函数F(ω)为傅里叶变换的像函数,原函数和像函数构成一个傅里叶变换对(transform pair)原创 2017-08-22 18:55:36 · 20945 阅读 · 1 评论 -
PCA python代码实现
#coding:utf-8from numpy import *import matplotlibimport matplotlib.pyplot as pltdef loadDataSet(fileName, delim='\t'): fr = open(fileName) stringArr = [line.strip().split(delim) for line in原创 2017-09-04 13:18:21 · 3229 阅读 · 1 评论 -
PCA详解
PCA主成分分析因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维。PCA算法这篇估计是讲原理最好的一篇了http://blog.codinglabs.org/articles/pca-tutorial.html总结一下PCA的算法步骤: 设有m条n维数据。 1)将原始数据按列组成n行m列矩阵X 2)将X的每一行(代表一个属性字段)进行零原创 2017-09-04 13:14:59 · 563 阅读 · 0 评论 -
PCA详解
PCA主成分分析因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维。PCA算法这篇估计是讲原理最好的一篇了http://blog.codinglabs.org/articles/pca-tutorial.html总结一下PCA的算法步骤: 设有m条n维数据。 1)将原始数据按列组成n行m列矩阵X 2)将X的每一行(代表一个属性字段)进行零原创 2017-09-04 13:14:26 · 721 阅读 · 0 评论 -
经典模型简介
Lenet下图是广为流传LeNet的网络结构,麻雀虽小,但五脏俱全,卷积层、pooling层、全连接层,这些都是现代CNN网络的基本组件。可以看下caffe中lenet的配置文件(点我),可以试着理解每一层的大小,和各种参数。由两个卷积层,两个池化层,以及两个全连接层组成。 卷积都是5*5的模板,stride=1,池化都是MAX。上图是一个类似的结构,可以帮助理解层次结构(和caffe不完全一致,不原创 2017-09-03 22:13:52 · 633 阅读 · 0 评论 -
gabor滤波器python代码实现
# coding:utf-8import cv2import numpy as npimport pylab as plfrom PIL import Image#构建Gabor滤波器def build_filters(): filters = [] ksize = [7,9,11,13,15,17] #gabor尺度 6个 lamda = np.pi/2.0 #原创 2017-09-01 22:06:46 · 10861 阅读 · 11 评论