maum61的专栏

vlookup就是为了从一堆数据中找到你需要的数据，比如你有一个空表，学生的名单，别人手里也是这些人，但是顺序不一样，导致你自己得一个一个把把对应的数据粘过来，很费劲，有这个函数就好办多了。第二个参数是查找区域，下意识的，这里是别人给你的名单里的名称那一列，实际应该包括你需要的数据，我这里弄的是 整个区域，加$固定住不让他变。，就是这个粉色框内的第几列。第一个参数是你空白名单里的人名，也就是要匹配查找的信息；很久才能用一次，每次用都忘记，这次弄个图文教程。第四个参数：精密查找，我就默认0。

满心欢喜想运行一下faster R-CNN，结果前路坎坷。先不说运行faster R-CNN了，先配置好caffe环境吧。（官网说好的all-in-one）我以为直接就能运行例程了，原来只是预装了这三个：CUDA、OpenCV和CuDNN）编译caffe需要很多依赖关系，特别是版本升级后，使用jetpack3.3时，更多的库以及路径需要指定。caffe的基本安装步骤不变，参考之前的文章：...

LDA浅显的核心是类内散度和类间散度矩阵，浅尝辄止的话，不可能明白最大化目标函数的意义。当你提出疑问：为什么是求协方差矩阵的行列式？为什么需要至少t+c个样本才能保证类内散度不是奇异的？奇异不奇异有什么关系呢？这时候就有必要进一步来领悟其中的道理。为了解答这些疑问，我也是进一步去了解行列式的真正含义，单纯从理论上无法得知，然而结合行列式的几何意义，那一些都是那么的清晰直观。以矩阵A为例，将每一个列向量认为是多边形的一条边，则det(A)就是多边形的面积。矩阵有诸多用途，比如线性变换，将一

简介t-SNE是高维数据可视化的工具，是SNE(Hinton and Roweis在2002年提出)的变体，比SNE更容易优化，通过减弱数据点向中心拥挤的趋势来获取更好的可视化效果。首先介绍SNESNESNE将数据点之间的欧拉距离转化为条件概率，这一点很值得借鉴，看问题的角度很重要。将数据点xi作为参考点，求xj到xi的距离，将xi认为是高斯分布的中心，deltai是标准差。则其余数据点到中心的距离被看做是分布概率，两者离得越近，概率越大，离得越远，概率越小。这就把距离近的点的重要性给提上

协方差矩阵指的是高维变量的每一维之间的相关性，或称为方差和协方差。标准化的表示一个向量，是列向量，比如x=[1 2 3 4]^T,我们说这个变量是4维的。通过传感器或数据处理，得到N个样本，这些样本组成一个样本矩阵：是4维列向量，则协方差矩阵是4*4维的非负定对称矩阵，主对角线是各个维度数据的方差，其余位置是对应两个维度的协方差。协方差矩阵不是无缘无故求的，一般是从推导过程中提取出来的，或者是用于提取主成分。经典的PCA的一种计算方法就是先计算样本矩阵的协方差矩阵，然后对协方差矩阵进行特征值

撕开算法的神秘面纱看了一大堆让人头疼的公式，真正想表达的思想，其实很简单。一切都在这个乾坤大挪移里面：这个公式将后验概率以先验概率的形式表达，说一千道一万，做的事儿很简单，就是先假设数据X服从某种分布，但是参数未知。一般假设服从高斯分布，那么未知参数就是均值和标准差，这两个参数很容易获取，但是数据X是n维的向量，那朴素点对待吧，假想n维之间是相互独立的，皆大欢喜，每一维对应一组均值和标准差。计算类概率P(Ci)就统计训练集中每一类的占比即可，或者干脆假设每一类出现的概率均等。计算P(X|

相信搞过数据处理的都遇到这样的公式：一开始我也是一头雾水，看了很多解释，就是弄不明白为什么要这么写，最近在看SVD的时候将投影联系起来，恍然大悟，可能讲不明白，但是借用一下我老师的一句话：不管你们明白不明白，反正我是明白了。投影：在脑子里刻画一下，一个经典的题目：在三维坐标系下，求一个向量x在x-y平面上的投影。这不是手到擒来嘛？把x的z轴分量去掉就行了，没错，就是这么简单，但是现在我们要把简单的事情标准化，让其普适起来。联想傅里叶变换，我们利用傅氏变换与反变换可以去掉一些噪声，或者简单理解..

看论文经常碰到专业领域的词汇，然而有的时候就弄的比较模糊，今天简单总结和贯通一下。矩，百度一查，：本意是指曲尺，一种基本工具，可以画直角形和方形，也可以测度直线长短或估量角度数，也指法度等。名字的由来肯定是有意义的，那么概率论里的矩，应该就是度量数据的。概率论的描述是：矩（moment）是对变量分布和形态特点的一组度量。n阶矩被定义为一变量的n次方与其概率密度函数（Probability Density Function, PDF）之积的积分。这么一说就懵了，后面还有，变量的一阶原始矩等价于

基础不牢，地动山摇。数学很多符号描述的一个简单的思想，然而我们不太了解，因此觉得很多东西很难看不懂，其实他就是在讲述思维的过程。看了很多理论书，都似懂非懂，归根结底就是基础不行，今天也是复习和巩固一下统计学基础。先说结论：1无论是自相关还是互相关，都是描述的几个列向量之间的事情，列向量组合起来就变成了矩阵。2自相关函数指的是列向量的相关系数构成的函数，对于离散序列，自相关函数的变量就是序列的时间差，也就是E[x(k)x(k-t)]，当t=0时，求的就是均方值。3相关矩阵出来的就是矩...

1简介本文主要目的是回顾和巩固维纳滤波的基础和应用。1.1 对象 一维音频信号，带高斯随机噪声。1.2 约定 期望信号/纯净信号序列： x(n) 噪声信号序列： v(n) 带噪信号序列： y(n) 序列长度： L 维纳滤波器阶数：M1.3 假设 信号是平稳的：也就是说在过去的一段时间和现在的一段时间内，纯净信号和噪声的均值、方差等信息是不变的，这是利用过去信息估计现在信息的基础。 期望信号与噪声...

参考这篇文章：https://www.cnblogs.com/mat-wu/p/6135555.html有一点需要补充，如果路径是有中文，那么使用notepad修改matlabrc.m后，会出现路径无法识别的情况，应该是编码错误，导致不识别。这个时候可以以管理员身份运行matlab，然后在matlab中HOME->open打开这个.m文件，然后再将路径输入，保存，即可。...

1. Pivot  是主元，在一些计算中首先被选中的矩阵的元。例如高斯消去法往往选择绝对值最大的矩阵元素为主元2. solution 解 unique solution 唯一解 infinitely many solutions无穷多解 has solution 有解 no solution 无解3. entry  矩阵的项，经常用在代指向量中的元素。leading entry o...