噌胥苑——行思驿站

一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则：1) d(x,x) = 0 // 到自己的距离为0 2) d(x,y) >= 0 // 距离非负 3) d(x,y) = d(y,x) // 对称性: 如果 A 到 B 距离是 a，那么 B 到 A 的距离也应该是 a 4) d(x,k) d(k,y) >= d(x,y) // 三角形法则: (两边之和大于第三边)

AR/VR群：244751474 ，欢迎加入，进行项目讨论！-----------------------------------------------分割线---------------------------------------------一、简介我们可以用下面的方式定义最近邻搜索（NNS）问题：在一个度量空间X给定一组点P=p1,p2,…,pn，这些点必须通过以下方

一、学习方式　　根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。　　1.监督式学习：　　在监督式学习下，输入数据被称为“训练数据”，每组训练

1.基础概念：(1) 10折交叉验证：英文名是10-fold cross-validation，用来测试算法的准确性。是常用的测试方法。将数据集分成10份。轮流将其中的9份作为训练数据，1分作为测试数据，进行试验。每次试验都会得出相应的正确率（或差错率）。10次的结果的正确率（或差错率）的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证，在求其平均值，对算法的准确性进行估计。

关于数据挖掘方面的研究，我原来也走过一些弯路。其实从数据挖掘的起源可以发现，它并不是一门崭新的科学，而是综合了统计分析、机器学习、人工智能、数据库等诸多方面的研究成果而成，同时与专家系统、知识管理等研究方向不同的是，数据挖掘更侧重于应用的层面。 因此来说，数据挖掘融合了相当多的内容，试图全面了解所有的细节会花费很长的时间。因此我建议你的第一步是用大概三个月的时间了解数据挖掘的几个常用技术：

机器学习前沿热点——Deep Learning 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

摘要：机器学习与NLP专家、MonkeyLearn联合创始人&CEO Raúl Garreta面向初学者大体概括使用机器学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识。

摘要：本文总结了Python、Matlab、CPP、Java、JavaScript、Lua、Julia、Lisp、Haskell、.NET、R等语言的深度学习库，赶紧收藏吧！

现阶段有些开发者并没有机器学习算法的基础知识，但是怎么才能让开发者从零入门来学习好机器学习算法，这篇文便帮助开发者总结推荐了一些办法。

人工智能、机器学习、模式识别、计算机视觉、数据挖掘、信息检索、自然语言处理等作为计算机科学重要的研究分支，不论是学术界还是工业界，有关这方面的研究都在如火如荼地进行着，学习这些方面的内容有一些经典书籍，现总结如下，方便自己和大家以后学习研究：人工智能：《Artificial Intelligence: A Modern Approach》，第三版，Russell著，权威、经典的人工

一、原来的10大算法2006年，IEEE的数据挖掘会议选出了10大算法：[见点击打开链接]C4.5k-MeansSupport Vector Machines(SVM)AprioriExpectation Maximization(EM)PageRankAdaBoostk-Nearest Neighbors(kNN)Naive BayesClassification and Reg

在网上看到有人提及林达华推荐的基本数学书，搜了一下看到有人转载了他的推荐blog，没有找到LIN本人的博客内容。Dahua Lin早在几年前就已经冒尖出来了，现在在MIT攻读博士学位，前途不可限量。他总是有无穷的精力，学习，同时几篇几篇的写paper，几万行几万行的写code，几万字几万字的写blog。。他扎实的数学功底和相关知识的功底，以及深睿的洞察和理解问题的能力，注定他将在machi

翻译自OpenCV官网，支持向量机原理介绍，仅供学习参考~~

翻译自OpenCV官网，支持向量机非线性分割原理介绍，仅供学习参考~~

（图片公式传不上去，晚上再试试，sorry……）本文叙述了机器学习中决策树生成基于信息熵和信息增益的基本原理。学习基本原理对决策树和随机森林的理解有一定感官认识，希望对初学者有一定帮助。

译者：李老师；转载请注明出处：机器人视觉由于近来在许多不同问题（例如人脸识别，目标检测和Go）上，人工神经网络取得一系列成果，深度学习已变得非常流行。本博客目的是成为对深度学习感兴趣的朋友们的起点。 如果你已经对线性代数，微积分，概率和编程有了基本的了解：我建议从斯坦福的CS231n开始。这个课程讲义很全面，而且写的很好。每节课程的幻灯片也可用，即使相关视频从官方网站删