mmc2015的专栏

http://www.cnblogs.com/v-July-v/archive/2012/12/17/3125418.html数据挖掘中所需的概率论与数理统计知识、上  （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）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

http://baike.baidu.com/link?url=rkocJKJhSEL0UO-iCqg8n76fhNKotOlC4zj3yGbPgahDRZa2AqNv_7FxUOlk0Cb8Y9wlkJAnVRzq3AsDNZfKUK皮尔逊相关系数（Pearson correlation coefficient）在统计学中，皮尔逊相关系数（Pearson correl

L0范数：向量中非零元素的个数L1范数：向量中各个元素绝对值的和L2范数：向量中元素平方的和，再开方；即向量的模长无穷范数：向量中各个元素绝对值的最大值 关于范数，有个好文章：http://blog.youkuaiyun.com/zouxy09/article/details/24971995重要部分贴过来（感谢作者）： 好了，这里兑现上面的承诺，来直观的聊聊L1和L2的差别，...

1)TF-IDFTF（只针对一篇文章计算）：TF(t, d) = 某个词 t 在【本篇文章 d 】中的出现次数；由于文章有长有短，最好进行TF标准化：TF(t, d) = 某个词 t 在【本篇文章 d 】中的出现次数 / 文章 d 的总词数；或者，TF(t, d) = 某个词 t 在【本篇文章 d 】中的出现次数 / 文章 d 中出现次数最多的那个词 t

回学校了，闲着无聊，看了线性代数。特征值和特征向量，线性代数课本定义：如果A v = c v，那么c就是A的特征值，v是A属于特征值c的特征向量。那么到底要怎么理解这个公式呢？？？我们可以把矩阵理解为一个操作(operator)，它把一个向量v变成另外一个向量：Av，而得到的新向量A v是原向量v的长度的c倍（A v = c v）。这种和矩阵A能如此密切配合的向量v1,

关于Jacobian矩阵和Hessian矩阵的介绍，挺简单明了的：http://jacoxu.com/jacobian%E7%9F%A9%E9%98%B5%E5%92%8Chessian%E7%9F%A9%E9%98%B5/需要注意一点，楼主你好，我和楼上一样不太懂你写的牛顿法求最优化那部分的思路。按我的理解，原方程泰勒二阶展开 f(x+Δx)=f(x)+f′(x)*Δx+1/