<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[jingchajingxia的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/jingchajingxia</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; jingchajingxia]]></copyright><item><title><![CDATA[遗传算法]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/42275383</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/42275383</guid><author>jingchajingxia</author><pubDate>Tue, 30 Dec 2014 22:06:56 +0800</pubDate><description><![CDATA[遗传算法的手工模拟计算示例
为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各
    个主要执行步骤。
  
     例：求下述二元函数的最大值：

    (1) 个体编码
           遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种
       符号串。本题中，用无符号二进制整数来表示。
           ]]></description><category></category></item><item><title><![CDATA[Deep learning中的优化方法]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41978957</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41978957</guid><author>jingchajingxia</author><pubDate>Wed, 17 Dec 2014 10:50:58 +0800</pubDate><description><![CDATA[Deep learning：三十七(Deep learning中的优化方法)
详见http://www.cnblogs.com/tornadomeet/archive/2013/05/02/3053916.html


内容：

　　本文主要是参考论文：On optimization methods for deep learning，文章内容主要是笔记SGD（随机梯度下降），LBFG]]></description><category></category></item><item><title><![CDATA[反向传导算法]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41956025</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41956025</guid><author>jingchajingxia</author><pubDate>Tue, 16 Dec 2014 09:15:22 +0800</pubDate><description><![CDATA[反向传导算法



假设我们有一个固定样本集 ，它包含  个样例。我们可以用批量梯度下降法来求解神经网络。具体来讲，对于单个样例 ，其代价函数为：


这是一个（二分之一的）方差代价函数。给定一个包含  个样例的数据集，我们可以定义整体代价函数为：


以上公式中的第一项  是一个均方差项。第二项是一个规则化项（也叫权重衰减项），其目的是减小权重的幅度，防止过度拟合。

[]]></description><category></category></item><item><title><![CDATA[机器学习资源总结]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41944595</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41944595</guid><author>jingchajingxia</author><pubDate>Mon, 15 Dec 2014 16:00:34 +0800</pubDate><description><![CDATA[学习机器学习数据挖掘有近两个月了，不知他怎么有种魔力，总吸引着我去看他，认识他，熟悉他，我会不会又是心潮澎湃一段时间，还是当他当做我终生的职业伴侣，不急于下结论，用岁月考验自己！以后也要在优快云上写文章了，记录自己的学习笔记，点滴收获。读研2年多，有太多的遗憾，走了太多的弯路，也许不完整的崎岖的路，才能让我醒悟，让我学着坚强，我都把它当做是宝贵的财富。]]></description><category></category></item><item><title><![CDATA[Adaboost 算法的原理与推导]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41744835</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41744835</guid><author>jingchajingxia</author><pubDate>Fri, 05 Dec 2014 11:01:50 +0800</pubDate><description><![CDATA[Adaboost 算法的原理与推导








0 引言

    一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午，邹博在我组织的机器学习班第8次课上讲决策树与Adaboost，其中，Adaboost讲得酣畅淋漓，讲完后，我知道，可以写本篇博客了。

    ]]></description><category></category></item><item><title><![CDATA[数据挖掘中所需的概率论与数理统计知识]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41729383</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41729383</guid><author>jingchajingxia</author><pubDate>Thu, 04 Dec 2014 19:57:55 +0800</pubDate><description><![CDATA[数据挖掘中所需的概率论与数理统计知识（关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布） 点击打开链接.


导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数理统]]></description><category></category></item><item><title><![CDATA[程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大系列集锦]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41727471</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41727471</guid><author>jingchajingxia</author><pubDate>Thu, 04 Dec 2014 17:35:15 +0800</pubDate><description><![CDATA[程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结

（部分博文github优化版阅读地址：https://github.com/julycoding/The-Art-Of-Programming-By-July）





作者：July--结构之法算法之道blog之博主。
时间：2010年10月-2014年12月。
出处：http://blog.cs]]></description><category></category></item><item><title><![CDATA[支持向量机通俗导论（理解SVM的三层境界）]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41727393</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41727393</guid><author>jingchajingxia</author><pubDate>Thu, 04 Dec 2014 17:30:54 +0800</pubDate><description><![CDATA[支持向量机通俗导论（理解SVM的三层境界）





作者：July ；致谢：pluskid、白石、JerryLead。
出处：结构之法算法之道blog。




前言

    动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲]]></description><category></category></item><item><title><![CDATA[机器学习&数据挖掘笔记_16（常见面试之机器学习算法思想简单梳理）]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41702923</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41702923</guid><author>jingchajingxia</author><pubDate>Wed, 03 Dec 2014 20:48:45 +0800</pubDate><description><![CDATA[前言：

　　找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位，毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。

　　纵观IT行业的招聘岗位，机器学习之类的岗位还是挺]]></description><category></category></item><item><title><![CDATA[隐马尔可夫模型 (Hidden Markov Model，HMM)]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41698497</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41698497</guid><author>jingchajingxia</author><pubDate>Wed, 03 Dec 2014 15:44:01 +0800</pubDate><description><![CDATA[隐马尔可夫模型 (Hidden Markov Model，HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中，随后在语言识别，自然语言处理以及生物信息等领域体现了很大的价值。平时，经常能接触到涉及 HMM 的相关文章，一直没有仔细研究过，都是蜻蜓点水，因此，想花一点时间梳理下，加深理解，在此特别感谢
 52nlp 对 HMM 的详细介绍。

　　考虑下面交通灯的]]></description><category></category></item><item><title><![CDATA[谈谈AdaBoost算法]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41695957</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41695957</guid><author>jingchajingxia</author><pubDate>Wed, 03 Dec 2014 13:32:10 +0800</pubDate><description><![CDATA[菜鸟最近开始学习machine learning。发现adaboost 挺有趣，就把自己的一些思考写下来。

主要参考了http://stblog.baidu-tech.com/?p=19，其实说抄也不为过，但是我添加了一些我认为有意思的东西，所以我还是把它贴出来了，呵呵。




一 Boosting 算法的起源

boost 算法系列的起源来自于PAC Learnabilit]]></description><category></category></item><item><title><![CDATA[受限玻尔兹曼机（RBM）学习笔记（一）预备知识]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41549783</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41549783</guid><author>jingchajingxia</author><pubDate>Thu, 27 Nov 2014 17:39:13 +0800</pubDate><description><![CDATA[去年 6 月份写的博文《Yusuke Sugomori 的 C 语言 Deep Learning 程序解读》是囫囵吞枣地读完一个关于 DBN 算法的开源代码后的笔记，当时对其中涉及的算法原理基本不懂。近日再次学习 RBM，觉得有必要将其整理成笔记，算是对那个代码的一个补充。








 目录链接

（一）预备知识

（二）网络结构


（三）能量函数和概率分布]]></description><category></category></item><item><title><![CDATA[Ng机器学习课程Notes学习及编程实战系列-Part 2 Logistic Regression]]></title><link>https://blog.youkuaiyun.com/jingchajingxia/article/details/41542727</link><guid>https://blog.youkuaiyun.com/jingchajingxia/article/details/41542727</guid><author>jingchajingxia</author><pubDate>Thu, 27 Nov 2014 10:34:30 +0800</pubDate><description><![CDATA[编者按:本系列系统总结Ng机器学习课程(http://cs229.stanford.edu/materials.html) Notes理论要点，并且给出所有课程exercise的作业code和实验结果分析。”游泳是游会的“，希望通过这个系列可以深刻理解机器学习算法，并且自己动手写出work高效的机器学习算法code应用到真实数据集做实验，理论和实战兼备。

Part 2 Logistic Re]]></description><category></category></item></channel></rss>