<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[微积分的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CalCuLuSearch</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CalCuLuSearch]]></copyright><item><title><![CDATA[PCA数学原理与简单人脸识别]]></title><link>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52921373</link><guid>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52921373</guid><author>CalCuLuSearch</author><pubDate>Tue, 25 Oct 2016 14:07:34 +0800</pubDate><description><![CDATA[PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。]]></description><category></category></item><item><title><![CDATA[特征离散化系列(一)方法综述]]></title><link>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52751218</link><guid>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52751218</guid><author>CalCuLuSearch</author><pubDate>Fri, 07 Oct 2016 18:56:27 +0800</pubDate><description><![CDATA[对现存的离散化方法进行概述总结，对现有离散化方法进行归类的层次化结构描述(hierarchical framework)，为进一步发展铺路(pave the way)，对典型的离散化方法(representative discretization methods)的简要讨论，大量的试验和分析，在不同的应用环境下选择离散化方法的原则.]]></description><category></category></item><item><title><![CDATA[机器学习参考(一)-那些国内外的大牛们]]></title><link>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52652263</link><guid>https://blog.youkuaiyun.com/CalCuLuSearch/article/details/52652263</guid><author>CalCuLuSearch</author><pubDate>Sat, 24 Sep 2016 17:59:28 +0800</pubDate><description><![CDATA[本文是个人的开篇博客，也是为整个博客确定其内容方向。博客以“机器学习参考-那些国内外的大牛们”开篇，旨在突出博客所有关注内容中的重点内容-机器学习。作为机器学习中的newcomer，在不到两年的学习实践道路上，也曾为如何快速入门绞尽了脑汁，故将自己在学习过程中的一点总结分享给各位同行们，望能达到与大家交流共成长的目的。]]></description><category></category></item></channel></rss>