liugallup的专栏

1、优点：精度高、对异常值不敏感、无数据输入假定      缺点：计算复杂度高、空间复杂度高     适用范围：数值型和标称型   工作原理：存在一个样本数据集合，也称为训练样本集，并且样本集中每个数据都有标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行选择，然后算法提取样本集中特征最相似数据（最近邻）

第三讲-------Logistic Regression & Regularization本讲内容：Logistic Regression=========================(一)、Classification（二）、Hypothesis Representation（三）、Decision Boundary（四）

见http://blog.youkuaiyun.com/abcjennifer/article/details/7749309第四讲——Neural Networks 神经网络的表示===============================（一）、为什么引入神经网络？——Nonlinear hypothesis（二）、神经元与大脑（Neurons and Brain）（

前言推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情。随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信息过载。如果不采用一定的手段，用户很难从如此多的信息流中找到对自己有价值的信息。解决信息过载有几种手段：一种是搜索，当用户有了明确的信息需求意图后，将意图转换为几个简短

原文见http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.htmlFM和FFM模型是最近几年提出的模型，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性，屡次在各大公司举办的CTR预估比赛中获得不错的战绩。美团点评技术团队在搭建DSP的过程中，探索并使用了F

http://tech.meituan.com/intro_to_logistic_regression.html逻辑回归（Logistic Regression）是机器学习中的一种分类模型，由于算法的简单和高效，在实际中应用非常广泛。本文作为美团机器学习InAction系列中的一篇，主要关注逻辑回归算法的数学模型和参数求解方法，最后也会简单讨论下逻辑回归和贝叶斯分类的关系，以及在多分

http://tech.meituan.com/machinelearning-data-feature-process.html背景随着美团交易规模的逐步增大，积累下来的业务数据和交易数据越来越多，这些数据是美团做为一个团购平台最宝贵的财富。通过对这些数据的分析和挖掘，不仅能给美团业务发展方向提供决策支持，也为业务的迭代指明了方向。目前在美团的团购系统中大量地应用到了机器

前言随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问题。我们结合美团在机器学习上的实践，进行一个实战（InAction）系列的介绍（带“机器学习InAction系列”标签的文章），介绍机器学习在解决工业

原文http://tech.meituan.com/mt-mlinaction-how-to-ml.html前言随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问题。我们结合美团在机器学习上的

原文见http://blog.youkuaiyun.com/abcjennifer/article/details/7758797，添加了一些自己的理解本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector M

原文见http://blog.youkuaiyun.com/abcjennifer/article/details/7797502  添加了一些自己的注释和笔记本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vect

本文原始版本见http://blog.youkuaiyun.com/abcjennifer/article/details/7834256本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。内容大多来自Standford公开课machine learning中

本文原始地址见http://blog.youkuaiyun.com/abcjennifer/article/details/8002329，在此添加了一些自己的注释方便理解本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Suppor

本文原始文章见http://blog.youkuaiyun.com/abcjennifer/article/details/7849812，本文添加了一些自己的理解本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Ve

1、加载数据

概要：一、Jupyter的使用二、一、使用jupyter1、启动ipython notebook导入graphlabimport graphlab as gl加载数据sf=gl.SFrame('home_data.gl')显示sf.show()sf.show(view="Scatter Plot",x="sqft_living",y="price")

1、路线图概述2、获取音乐数据3、观察音乐4、用FFT构建第一个分类器5、用梅尔倒谱系数提升分类效果

1、Iris数据集2、构建更复杂的分类器3、更复杂的数据集和更复杂的分类器4、二分类和多分类

1、路线图2、选择特征3、其他特征选择方法4、特征抽取5、多维标度法

1、路线图2、选择特征3、其他特征选择方法4、特征抽取5、多维标度法

1、了解大数据2、用Jug程序包把你的处理流程分解成几个任务3、使用亚马逊AWS

1、路线图概述2、学习如何区分优秀答案3、获取数据4、创建第一个分类器5、决定怎样提升效果6、采用逻辑回归7、观察正确率的背后8、为分类器瘦身9、出货

1、潜在狄利克雷分配（LDA）2、在主题空间比较相似度3、选择主题个数

一，学习Numpy       因为numpy.array会遮挡python自带的数组模块，应该使用以下方式：    >>> numpy.version.full_version'1.9.3'>>> import numpy as np>>> a = np.array([0,1,2,3,4,5])>>> aarray([0, 1, 2, 3, 4, 5])>>> a.ndi

1st step: Install the DependenciesTo install the dependencies required from OpenCV, just run the following commands:sudo apt-get -y install libopencv-dev build-essential cmake git libgtk2.0-dev pkg-co

http://cs229.stanford.edu/proj2014/Jithin%20Thomas,%20Bhrugurajsinh%20Chudasama,%20Chinmay%20Duvedi,%20Learning%20Facial%20Expressions%20From%20an%20Image.pdf

1、评估帖子的关联性2、预处理：用相近的公共词语个数来衡量相似性3、聚类4、解决最初的难题5、调整参数

1、路线图概述2、获取推特数据3、朴素贝叶斯分类器介绍4、创建第一个分类器并调优5、清洗推文6、将词语类型考虑进去

1、用回归预测房价2、惩罚式回归3、P大于N的情形

1、改进的推荐2、购物篮分析

下面使用李航博士书上的例子说明：