<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dingfei1953</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dingfei1953]]></copyright><item><title><![CDATA[word2vec原理]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416679</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416679</guid><author>dingfei1953</author><pubDate>Mon, 12 Feb 2018 16:06:00 +0800</pubDate><description><![CDATA[一、统计语言模型统计语言模型就是指计算一个句子出现概率的模型。假设一句话由T个词按顺序构成，则这T个词的联合概率就是这个句子的概率：$$p(W)=p(w_1^T)=p(w_1,w_2,\ldots,w_T)$$利用贝叶斯公式，上式可写为：$$p(W)=p(w_1^T)=p(w_1)p(w_2|w_1)p(w_3|w_1^2)\cdots p(w_T|w_1^{T-1})=\prod_{t...]]></description><category></category></item><item><title><![CDATA[svd分解的深入理解]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416675</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416675</guid><author>dingfei1953</author><pubDate>Sun, 03 Sep 2017 23:02:00 +0800</pubDate><description><![CDATA[svd指的是奇异值分解，也就是对奇异矩阵的分解，对于可逆矩阵，可以进行特征值分解。

要想理解svd，需要先理解四个基本子空间，即行空间，列空间，零空间，左零空间。对于矩阵A，其行空间是由行向量线性组合而成的空间，也即由行向量张成的空间，同样的，列空间是由矩阵的列向量线性组合生成的空间。而零空间是Ax=0的解空间，Ax可以看成是矩阵A的所有的行向量分别和x做内积，而生成的向量是零向...]]></description><category></category></item><item><title><![CDATA[漫步支持向量机(svm)之二 拉格朗日乘子法]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416676</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416676</guid><author>dingfei1953</author><pubDate>Fri, 13 Jan 2017 09:55:00 +0800</pubDate><description><![CDATA[所谓工欲善其事，必先利其器，要想求解目标函数的最小值，而且还是在有不等式约束条件下的最小值，就必须要知道拉格朗日乘子法。
设目标函数为$$J(x,y)=x^2+y^2$$
则求$J(x,y)$的最小值很简单吧，让J关于x，y的偏导数等于0，即可求出最小点$\hat x,\hat y$,$J(x,y)$的几何图像是一个抛物面，其等值面则是以原点为中心的同心圆环。
那如果加上约束线$y...]]></description><category></category></item><item><title><![CDATA[漫步支持向量机(svm)之一]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416672</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416672</guid><author>dingfei1953</author><pubDate>Mon, 09 Jan 2017 21:21:00 +0800</pubDate><description><![CDATA[设输入为$x$，表示训练集的特征向量，输出为$y=\{1,-1\}$，这些向量都属于两类中的其中一类，假设这些向量是线性可分的，现在要找一个最优的平面（在二维的时候为一条直线），将这些特征向量正确分类，除此之外，能够将新的输入分到合适的类。
设中间直线方程为$$\hat \omega x+\hat b=0$$好了，svm中不是还有另外两条边界线吗？他们就是中间这条直线的左膀右臂，而且到...]]></description><category></category></item><item><title><![CDATA[Coppersmith-Winograd 算法]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416674</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416674</guid><author>dingfei1953</author><pubDate>Mon, 01 Aug 2016 20:28:00 +0800</pubDate><description><![CDATA[转自：https://www.douban.com/group/topic/29658298/

对正整数 $q$，定义张量 $T$，其对应的多项式为 $p(X,Y,Z)=\sum_{i=1}^q (X_0Y_iZ_i+X_iY_0Z_i+X_iY_iZ_0)$。对于 $\epsilon&gt;0$，定义张量 $T(\epsilon)$，其对应的多项式为\begin{align}...]]></description><category></category></item><item><title><![CDATA[阿基米德项目ALS矩阵分解算法应用案例]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416670</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416670</guid><author>dingfei1953</author><pubDate>Wed, 20 Jul 2016 17:51:00 +0800</pubDate><description><![CDATA[转自：https://github.com/ceys/jdml/wiki/ALS
阿基米德项目ALS矩阵分解算法应用案例
编写人：ceys/youyis
最后更新时间：2014.5.12
一、算法描述
1.原理
问题描述
ALS的矩阵分解算法常应用于推荐系统中，将用户(user)对商品(item)的评分矩阵，分解为用户对商品隐含特征的偏好矩阵，和商品在隐含特征上的映射矩阵。...]]></description><category></category></item><item><title><![CDATA[ALS数学点滴]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416671</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416671</guid><author>dingfei1953</author><pubDate>Thu, 30 Jun 2016 13:48:00 +0800</pubDate><description><![CDATA[其中，$n_{u_i}$表示用户$i$评分的电影数目，$n_{m_j}$表示对电影$j$评分的用户数目。设$I_i$表示用户$i$所评分的电影集合，则$n_{u_i}$是$I_i$的基数，同样的，$I_j$表示对电影$j$评分的用户集合，$n_{m_j}$是$I_j$的基数。这对应于Tikhonov正则化中的$\Gamma_U=diag(n_{u_i})$和$\...]]></description><category></category></item><item><title><![CDATA[CDH5 安装过程]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416667</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416667</guid><author>dingfei1953</author><pubDate>Wed, 18 May 2016 18:11:00 +0800</pubDate><description><![CDATA[一、环境
1.1 操作系统


$ cat /etc/redhat-release 

CentOS release 6.5 (Final)


1.2 Java环境

$ java -version

java version "1.7.0_80"

Java(TM) SE Runtime Environment (build 1.7.0_80-b15...]]></description><category></category></item><item><title><![CDATA[协同过滤中相似度的计算方式]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416665</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416665</guid><author>dingfei1953</author><pubDate>Tue, 15 Mar 2016 14:34:00 +0800</pubDate><description><![CDATA[协同过滤中相似度的计算很有技巧性，下面对比几种计算的方式。

假设输入的Item-User矩阵为：




$U_1$
$U_2$
$U_3$


$I_1$
3

4


$I_2$

3
2


$I_3$
2
3



$I_4$

4
2




设用户共有M个，Item共有N个，在本例...]]></description><category></category></item><item><title><![CDATA[协同过滤对候选集的处理]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416668</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416668</guid><author>dingfei1953</author><pubDate>Sat, 12 Mar 2016 13:03:00 +0800</pubDate><description><![CDATA[生成候选集
生成候选集的时候，是根据用户的历史喜好item进行的。假设用户以前喜欢的 item 为：$i_m, m=1\ldots M$。 如果用户过去喜欢的 item 比较多，需要设定一个 liked_topN 值，表示最多就取这么多item，也即$M \le liked\_topN$，当然这些item是依据喜好分值排序过的。除了设定liked_topN 值之外，还可以使用相似度...]]></description><category></category></item><item><title><![CDATA[梯度下降法]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416666</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416666</guid><author>dingfei1953</author><pubDate>Fri, 12 Feb 2016 11:49:00 +0800</pubDate><description><![CDATA[设$\theta$是一个未知的参数向量，$J(\theta)$是相应的需要被最小化的代价函数。假设函数$J(\theta)$是可微的。
这个算法从最小点的初始估计值$\theta(0)$开始，之后的算法按照如下形式迭代：
$$\theta(new) = \theta(old)+\Delta\theta$$
$$\Delta\theta = -\mu\frac{\partial J(...]]></description><category></category></item><item><title><![CDATA[支持向量机-可分的类]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416663</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416663</guid><author>dingfei1953</author><pubDate>Thu, 04 Feb 2016 10:41:00 +0800</pubDate><description><![CDATA[本次我们将提出另一种设计线性分类器的原理。我们将从二类线性可分的任务开始，然后将这种方法扩展到数据不可分的更一般的情形。

让 $x_i,i=1,2,\ldots,N$，表示训练集X的特征向量，这些向量属于两类中的任意一类，并且假设这些向量是线性可分的，目标还是设计一个超平面：
$$g(x)=w^Tx+w_0=0$$
使该超平面可以将所有的训练数据正确分类。由于这样的一个超平面...]]></description><category></category></item><item><title><![CDATA[LaTex希腊字母]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416664</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416664</guid><author>dingfei1953</author><pubDate>Mon, 01 Feb 2016 20:41:00 +0800</pubDate><description><![CDATA[　　　　　　　　　　


NameSymbolCommand



Alpha
$\alpha$ $A$
\alpha A


Beta
$\beta$ $B$
\beta B


Gamma
$\gamma$ $\Gamma$
\gamma \Gamma


Delta
$\delta$ $\Delta$
\delta \Delta
...]]></description><category></category></item><item><title><![CDATA[红黑树删除操作]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416661</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416661</guid><author>dingfei1953</author><pubDate>Mon, 18 Jan 2016 23:34:00 +0800</pubDate><description><![CDATA[若被删除的结点有两个非叶子结点，那么可以转换为删除一个“替代点”的问题，该替代点最多只有一个非叶子孩子结点。可以通过前驱或者后继（都最多有一个非叶子孩子结点）来替代最初要被删除的结点，所以下面只关注只有一个非叶子孩子结点的问题，一旦我们解决了这个问题，那么解决方法将同样适用于两种情形：1、原本想删除的结点最多有一个非叶子孩子结点2、原本想删除的结点有两个非叶子孩子结点（通过前驱和后继可以...]]></description><category></category></item><item><title><![CDATA[红黑树插入操作]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416662</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416662</guid><author>dingfei1953</author><pubDate>Sun, 17 Jan 2016 12:27:00 +0800</pubDate><description><![CDATA[所有被插入的结点一开始都被设置成红色（很重要！），它的左右孩子结点都是NULL，所有的NULL结点被设置为黑色，这样可以满足第3条属性（所有的叶子结点不包含数据，也就是指NULL，并且都是黑色）。一开始，N正是要被插入的新结点，但是整个过程也可能会迭代到其他的结点上。标志P(Parent)代表N的父结点，标志G(Grand parent)代表N的祖父结点，标志U代表N的叔父结点(Uncl...]]></description><category></category></item><item><title><![CDATA[红黑树]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416659</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416659</guid><author>dingfei1953</author><pubDate>Wed, 06 Jan 2016 22:17:00 +0800</pubDate><description><![CDATA[红黑树是一种自平衡二叉搜索树，每个结点都有一个额外的位(bit)，代表了结点的颜色（红色或黑色）。这些代表颜色的位用来确保红黑树在插入和删除时保持基本平衡。红黑树不保证完全平衡，但是已经足够使得搜索能在O(log n)时间内完成，n为树中元素的个数。插入和删除操作，伴随树结构的重新构造和重新着色，也能在O(log n)时间内完成。

红黑树的属性红黑树除了满足二叉搜索树的属性之外，...]]></description><category></category></item><item><title><![CDATA[斐波那契堆]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416658</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416658</guid><author>dingfei1953</author><pubDate>Mon, 04 Jan 2016 17:12:00 +0800</pubDate><description><![CDATA[在计算机科学中，斐波那契堆是由树的集合所组成的堆数据结构。它比二项堆的平摊运行时间更好。斐波那契堆的名字来自于斐波那契数列，这些数列被用来做运行时间分析。求最小值(find-mininum), 插入(insert), 降低元素值(decrease-key)和合并(merge/union)可以在常数平摊时间内完成。删除(delete)和删除最小值(delete minimun)可以在O...]]></description><category></category></item><item><title><![CDATA[二叉搜索树的相关操作]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416656</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416656</guid><author>dingfei1953</author><pubDate>Wed, 30 Dec 2015 22:20:00 +0800</pubDate><description><![CDATA[操作包括二叉搜索树的创建，插入，搜索，寻找前驱后继，删除，左右旋转，插入元素为根结点，以及两棵二叉树的合并。
二叉树的创建很简单，只需要设置 value, left child, right child 即可。
插入的时候递归插入树中合适的位置，通过比较插入元素的值与根结点元素的值，如果小于则递归插入到左子树中，否则递归插入到右子树中。
搜索的时候与插入类似，比较要搜索的值和根结点...]]></description><category></category></item><item><title><![CDATA[树形结构打印二叉搜索树]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416654</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416654</guid><author>dingfei1953</author><pubDate>Mon, 28 Dec 2015 21:48:00 +0800</pubDate><description><![CDATA[之前打印二叉树的时候，创建的二叉树是一颗完全平衡的二叉树，对于不平衡的树打印会出现错误，今天又重新改了一下，样子也改进了点，可以打印不平衡的二叉树，算法主要采用中序遍历和层次遍历（广度优先遍历）。
下面是几张效果图：

   ____________________40_______                                        
   |    ...]]></description><category></category></item><item><title><![CDATA[分治法求连续子数组的最大和]]></title><link>https://blog.youkuaiyun.com/dingfei1953/article/details/102416657</link><guid>https://blog.youkuaiyun.com/dingfei1953/article/details/102416657</guid><author>dingfei1953</author><pubDate>Sun, 27 Dec 2015 17:00:00 +0800</pubDate><description><![CDATA[思路来自算法导论，将数组平分为左右两个子数组，那么最大子数组可能在左边的子数组中，也有可能在右边的子数组中，还有可能跨过中间的元素，只有这三种情况。对于前两种情况，可以使用递归求解，对于第三种情况，可以做到用线性时间复杂度的函数来求解，详见代码。

#include &lt;iostream&gt;
#include &lt;map&gt;
using namespace std...]]></description><category></category></item></channel></rss>