lsldd的专栏

使用机器学习的开发工具很多，如Mat'la

下载资源和数据1、下载微软官方caffe-windows解压到F盘根目录。这个版本好处待会会说。点我进入Git下载 2、Cuda SDK。这里以Cuda7.5为例。解压到caffe-windows目录。点我进入官网下载 3、下载cuDNN。同样用7.5版本。点我进入官网下载。官网下载可能需要你注册，忍一下吧。 4、下载用于训练手写数字识别模型LeNet的mnist数据集。点我官网下载编译caf

该帖子的代码主要转自[模拟退火算法]1 该文对模拟退火算法作了较好的分析，不过该文中举例的TSP的代码有一些问题，我对此作了修正，并在文中最后做出解释。 代码如下：#include <iostream>#include <string.h>#include <stdlib.h>#include <algorithm>#include <stdio.h>#include <time.h>

朴素贝叶斯 情感分类 python

每个人都会有这样的经历：当你在电商网站购物时，你会看到天猫给你弹出的“和你买了同样物品的人还买了XXX”的信息；当你在SNS社交网站闲逛时，也会看到弹出的“你可能认识XXX“的信息；你在微博添加关注人时，也会看到“你可能对XXX也感兴趣”；等等。所有这一切，都是背后的推荐算法运作的结果。最经典的关联规则算法是大名鼎鼎的Apriori算法，源自一个超市购物篮的故事：啤酒总是和尿布一起被购买。有兴趣的

SVM 支持向量机

用Python开始机器学习（10：聚类算法之K均值）

KNN分类算法（K-Nearest-Neighbors Classification）是

在本系列文章中提到过用Python开始机器学习（3：数据拟合与广义线性回归）中提到过回归算法。逻辑回归算法本质还是回归，只是其引入了逻辑函数来帮助其分类。实践发现，逻辑回归在文本分类领域表现的也很优秀。现在让我们来一探究竟。1、逻辑函数假设数据集有n个独立的特征，x1到xn为样本的n个特征。常规的回归算法的目标是拟合出一个多项式函数，使得预测值与真实值的误差最小：而我们希望这样的f(x)具有能够很

文本特征抽取与向量化 TF-IDF 词频-反转文档频率

从这一章开始进入正式的算法学习。首先我们学习

机器学习中的预测问题通常分为2类：回归与分类。简单的说回归就是预测数值。

已知数据X，去拟合某个概率模型的参数θ，是最基本的机器学习过程。本文将入门讲解3个最基本的方法：最大似然估计(Maximum Likelihood Estimation，简称MLE)，最大后验概率估计（Maximum a Posteriori estimation，简称MAP），以及贝叶斯估计。下面的所有讲解都将用到这样的一组实验数据：抛一个硬币10次，得到如下结果：正正反正反正正正反正根...