Android系统攻城狮

原址出于对ml的兴趣，最近开始了对ml的学习，正在跟着 coursera学习ml的基础知识，在这里做一个笔记。     监督学习和非监督学习是两个基础的概念，但个人感觉并不是很简单，总有些容易混淆的感觉。监督学习：监督学习从训练数据集合中学习模型，对测试数据进行预测。监督学习的目的在于学习一个由输入到输出的映射，即找到这样一个模型（又称为假设hypothesis）属

原址一、条件概率公式 举个例子，比如让你背对着一个人，让你猜猜背后这个人是女孩的概率是多少？直接猜测，肯定是只有５０％的概率，假如现在告诉你背后这个人是个长头发，那么女的概率就变为９０％。所以条件概率的意义就是，当给定条件发生变化后，会导致事件发生的可能性发生变化。 条件概率由文氏图出发，比较容易理解：表示B发生后A发生的概率，由上图可以看出B发生后，A再发生的概率就是，因此：...

原址

核函数的作用:就是隐含着一个从低维空间到高维空间的映射，而这个映射可以把低维空间中线性不可分的两类点变成线性可分的。

原址前言：　　找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位，毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。　　纵观IT行业的招聘岗位，机器学习之类

原址通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。 以后有时间再对单个算法做深入地解析。今天的算法如下：决策树随机森林算法逻辑回归SVM朴素贝叶斯K最近邻算法K均值算法Adaboost

原址虽然是周末，也保持充电，今天来看看强化学习，不过不是要用它来玩游戏，而是觉得它在制造业，库存，电商，广告，推荐，金融，医疗等与我们生活息息相关的领域也有很好的应用，当然要了解一下了。本文结构：定义和监督式学习, 非监督式学习的区别主要算法和类别应用举例1. 定义强化学习是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 d

原址激活函数的作用首先，激活函数不是真的要去激活什么。在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。比如在下面的这个问题中：如上图(图片来源)，在最简单的情况下，数据是线性可分的，只需要一条直线就已经能够对样本进行很好地分类。但如果情况变得复杂了一点呢？在上图中(图片来源)，数据就变成了线性

原址1. 线性回归的回顾上一节我们尝试解决“房价与房子大小”之间关系的时候，使用了线性回归去拟合一个线性的方程，使得这个线性方程与所获得的房价与房大小数据最大限度地吻合。所以，我们的问题的解决思路是,把数据当成事实用一个特定的模型(e.g.线性方程或非线性方程)去匹配数据这些数据被当成了上帝，而让我们用模型去匹配他们。数据

原址机器学习可以解决很多问题，其中最为重要的两个是 回归与分类。 这两个问题怎么解决， 它们之间又有什么区别呢？ 以下举几个简单的例子，以给大家一个概念1. 线性回归回归分析常用于分析两个变量X和Y 之间的关系。 比如 X＝房子大小 和 Y＝房价 之间的关系， X=(公园人流量，公园门票票价） 与 Y=(公园收入) 之间的关系等等。那么你的数据点在图上可以这么看

原址上一次说到代价函数，代价函数的作用就是找到最优的参数使假设函数与实际值相差最小。而梯度下降法（Gradient Descent）就是找到最优参数的方法之一。一，算法思想1.从参数的某一个（组）值开始，比如从θ0=0和θ1=0开始。2.保持该（组）值持续减小，如果是一组值就要保证他们同步更新，直到找到我们希望找到的最小值。过程如图，就像下山一样，从

原址一，什么是代价函数 我在网上找了很长时间代价函数的定义，但是准确定义并没有，我理解的代价函数就是用于找到最优解的目的函数，这也是代价函数的作用。二，代价函数作用原理 对于回归问题，我们需要求出代价函数来求解最优解，常用的是平方误差代价函数。比如，对于下面的假设函数: 里面有θ0和θ1两个参数，参数的改变将会导致假设函数的变化，比如： 

原址一、相关理论本篇博文主要讲解2014年ECCV上的一篇经典文献：《Visualizing and Understanding Convolutional Networks》，可以说是CNN领域可视化理解的开山之作，这篇文献告诉我们CNN的每一层到底学习到了什么特征，然后作者通过可视化进行调整网络，提高了精度。最近两年深层的卷积神经网络，进展非常惊人，在计算机视觉方面，识别精度不

原址神经网络为什么要使用激活函数？ 首先提一下激活函数的一般形式，在我平时的学习中，我遇到过的一般是这四种形式，simoid,tanh,ReLu,softplus。 simoid函数也称S曲线：f(x)=11+e−xtanh:f(x)=tanh(x)ReLU：f(x)=max(x,0)softmax:f(x)=log(

原址● 每周一言为人处世，分寸很重要。导语作为码农界的芸芸众生，我们几乎每天都会接触到各式各样的工程项目。一方面，一些工程项目往往具有相似的实现；另一方面，这些工程又存在一个二次开发的问题。为了提高开发效率，避免重复造轮子，工程级别的代码要求通常比较高。而作为一名算法从业者，我想在这里谈一谈一个好的算法工程应该具备哪几点要素。抛砖引玉项目经验不同、语言熟练程度不同、算法实现...

原址导语在深度神经网络中，通常使用一种叫修正线性单元(Rectified linear unit，ReLU）作为神经元的激活函数。ReLU起源于神经科学的研究：2001年，Dayan、Abott从生物学角度模拟出了脑神经元接受信号更精确的激活模型，如下图：  其中横轴是时间(ms)，纵轴是神经元的放电速率(Firing Rate)。同年，Attwell等神经科学家通过研

数学符号不好打，复制一下吧1 几何符号 ⊥   ∥   ∠   ⌒   ⊙   ≡   ≌     △ 2 代数符号 ∝   ∧   ∨   ～   ∫   ≠     ≤   ≥   ≈   ∞   ∶ 3运算符号 ×   ÷   √     ± 4集合符号 ∪   ∩   ∈ 5特殊符号 ∑     π（圆周率）

原址非常有必要搞清楚统计学种一些常用的分布！！！离散型随机变量分布1.两点分布/伯努利分布伯努利分布是二项分布在n=1时的特例。一次随机试验，成功概率为p，失败概率为q=1-p。伯努利分布2.二项分布二项分布(Binomial distribution)是n重伯努利试验成功次数的离散概率分布。二项分布的典型例子是扔硬币，硬币正面朝上概率为p, 重复扔n次硬币，k次为正面的概率即为一个二项分布概率。...