my_share的专栏

说明：软件里面的帮助---》应用程序实例，按照这里面的顺序来的。1，准备分析数据（数据审核）来学习数据挖掘，机器学习吧。这就是初始化数据的内容，第一列大概是注册地，还

这堂课程的主讲内容。

这一讲主要内容是sparse  regression稀疏回归模型

这一堂这样讲的是online  learning

主要内容，

线性二次相关问题。

建立直升机模型。模拟器，

MDP的几个参量

给数据随机采样。分布为D。采样后的离散数据是Sn，

前面不是说PCA要预处理，有4

BP

主讲：吴恩达。如果你学机器学习，对

这一堂只要讲的是组织结构学习

第十八堂讲的内容是机器视觉。处理视频信息，理解图像每个人都有一个手机了。每个人都有相机。二维图还原三维图。分析面相。自动检视（外星人）。理解人的表情。一张图一个故事，如何解析出来就是很大的问题了。人眼的错觉。这个是三维感知，它能识别远近，前景后景的人脸识别。能找到人脸，但是不知道是谁。而且目前做的最好的是清华的研究院做的算法。

（数据挖掘原理与实战）视频决策树：划分原则，是当前哪个属性是最大的，信息增益率。过程比较清晰。最大的优点自学习。决策树的分类没有办法划分，或者百分百划分，也可以控制几层，才会停止。防止过度拟合，到某个程度就停止。对比逻辑回归。优点：健壮性好。处理非线性。缺点：类别太多，错误可能会增加比较快。  只是根据一个字段来分类。泛化能力差（容易过度拟合）。逻辑回归：效果，就用

回归模型：    误差项要满足正态分布，无偏性，共方差性，和独立性。用最小二乘法，来评估参数。也有很多非线性模型。贝叶斯算法：    贝叶斯数据需要离散，不完整数据，没有输入和输出的概念，节点运算独立。        EM算法，聚类分析：        伸缩性，处理不同类型属性的能力，发现任意形状的聚类，输入领域的最小化，处理噪声能力，        k-means，k

数据挖掘：         数据挖掘从字面上就已经很好理解了，就是从一堆数据中，挖掘出一些有用的信息来的过程。比如说，我们的搜索数据，如果某个地区大部分人都在搜索MH370，表示他们在关注这个事情。我们就可以推荐一些安全知识，飞机知识过去。同样的也可能会有蜡烛销售高潮，提前给他们提供便利。这个就是数据挖掘的工作内容。        数据挖掘这些书的主要内容，数据有多少种，什么是有效数据，数

以下是解放军信息工程大学一个老师编的matlab程序，请尊重原作者劳动，引用时请注明出处。我经过修改增加了注释，已经运行过，无误，function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)%%----------------------------

前面已经说了很多的算法了。比如

不知道现在是否还有人在研究蚁群算法？应该有吧。当初为了找C或C++源代码而不可得，在阅读了多份"杂七杂八"的代码的基础，总算写出来了。运行了三个TSP经典用例，基本符合要求。2008年3月份写的，现在贴出来大家共享一下，注释加的应该算齐全。仅仅是一份按照蚁群算法的原理写的代码，没有做任何优化。至于我做优化后的代码，就不发出来了吧，呵呵。环境为:Windows XP SP2 + VC 6.0. 

机器学习是AI领域的重要一门学科。前面我描述过，我计划从事的

分类问题。

这一堂主讲内容。

题目是机器视觉

推荐系统。

从这一堂开始，我就没有

复习一下

神经网络3，主要是一些

stochastic  gradient  descent             随机梯度下降法：

这一篇在博客园。http://www.cnblogs.com/maohuawang/p/3805209.html

我已经写过一遍了，为了我的分享事业，我

multi-variate Bernoulli event model.

线性的

线性分离器。最简单的例子。

今天讲的算法，与以往的情况不一样的是。

刚开始讲解的是什么是有监督算法。

基于统计学的 线性模型。

这个是第一篇讲义的20页。

第一堂就是介绍什么是机器学习。

首先展示的是一个汽车的自主学习