SE_and_CS

在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）

发信人: zibuyu (得之我幸), 信区: NLP 标 题: 机器学习推荐论文和书籍 发信站: 水木社区 (Thu Oct 30 21:00:39 2008), 站内 我们组内某小神童师弟通读论文，拟了一个机器学习的推荐论文和书籍列表。 经授权发布在这儿，希望对大家有用。:) ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ 基本模型: 

翻译：Getting Started With Python For Data Science原文链接：http://www.kaggle.com/wiki/GettingStartedWithPythonForDataScience这篇教程假设读者能够使用python编程，但并不需要数据科学，机器学习或预测模型的知识。在实践中学习是一种黑客品质。所有这篇教程中的代码都可以在g

求解无约束现行规划问题的Newton法是利用目标函数的二次Taylor展开式构造搜索方向的方法，它是以为搜索中的Newton法的推广。考虑UNP，其中f(x)二阶连续可微。Newton法就是以Newton方向为搜索方向，以1为步长进行迭代的方法。算法如下：1. 初始步。给定初始点x，精度参数e > 0。2. 终止判断。若||▽f(x)|| 3. 构造搜索方向。令d = -

共轭梯度法是利用目标函数的梯度逐步产生共轭方向并将其作为搜索方向的方法。1. 共轭方向与共轭方向法定义：设H是n*n方阵且对称正定。（1）若对n维非零向量p和q，有p^THq = 0，则称p和q是H-共轭的；（2）若对n维非零向量组d1，...，dm，对任意的i != j，di与dj是H-共轭的，则称d1，...，dm是H-共轭方程组。当H = I，p^Tq = 0，即

求解无约束非线性规划问题：min f(x)，其中 f: Rn -> R1具有连续偏导。最速下降法的思想是：沿着目标函数在当前迭代点处欧式范数意义下的最速下降方向即负梯度方向进行一维搜索，从而得到新的迭代点。当目标函数在迭代点处的梯度与零向量接近到一定程度时，该点可作为UNP的近似最优解。算法：1. 选定初始数据。给出初始点x，精度参数e > 0.2. 终止判断。求g = ▽f(x)

Contents Books + Finding Out About: Search Engine Technology from a cognitive Perspective (Belew, R.K., 2000) http://www-cse.ucsd.edu/~rik/foa/ + Foundations of Statistical Natural (C. Man