<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u010398562的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u010398562</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010398562]]></copyright><item><title><![CDATA[LR VS SVM VS RF]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78213860</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78213860</guid><author>u010398562</author><pubDate>Thu, 12 Oct 2017 13:34:14 +0800</pubDate><description><![CDATA[LR 与SVM


不同


1.logistic regression适合需要得到一个分类概率的场景，SVM则没有分类概率

2.LR其实同样可以使用kernel，但是LR没有support vector在计算复杂度上会高出很多。如果样本量很大并且需要的是一个复杂模型，那么建议SVM

3. 如果样本比较少，模型又比较复杂。那么建议svm，它有一套比较好的解构风险最小化理论的]]></description><category></category></item><item><title><![CDATA[机器学习算法比较]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78209033</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78209033</guid><author>u010398562</author><pubDate>Wed, 11 Oct 2017 22:02:13 +0800</pubDate><description><![CDATA[本文主要回顾下几个常用算法的适应场景及其优缺点！（提示：部分内容摘自网络）。

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的]]></description><category></category></item><item><title><![CDATA[SVM参数详解]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78208938</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78208938</guid><author>u010398562</author><pubDate>Wed, 11 Oct 2017 21:52:15 +0800</pubDate><description><![CDATA[svm参数说明----------------------

如果你要输出类的概率，一定要有-b参数

svm-train training_set_file model_file

svm-predict test_file model_fileoutput_file

自动脚本：python easy.py train_data test_data

自动选择最优参数，自动]]></description><category></category></item><item><title><![CDATA[深度学习网络卷积在GPU上的优化]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78073872</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78073872</guid><author>u010398562</author><pubDate>Sat, 23 Sep 2017 22:07:08 +0800</pubDate><description><![CDATA[雷锋网(搜索“雷锋网”公众号关注)按： 本文转载自英伟达NVIDIA企业解决方案公众号。赵开勇，香港浸会大学计算机系异构计算实验室PhD Candidate，长期从事高性能计算领域研究，在CPU、GPU异构计算方面有多年的研究经验。赵开勇先生组织参与多个科研单位和高性能用户的高性能项目研发，曾担任浪潮GPU高性能计算顾问，曾多次担任NVidia中国CUDA比赛评委。他还曾经组织出版《GPU高性能运]]></description><category></category></item><item><title><![CDATA[从决策树到RF，以及boosting Adaboost到GBDT算感悟]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78073829</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78073829</guid><author>u010398562</author><pubDate>Sat, 23 Sep 2017 22:01:19 +0800</pubDate><description><![CDATA[一、原因：


准备学习一下机器学习中基于树模型的分类与回归算法，变看了很多的算法介绍与论文，同时也找了一些现有的库去运行。最后又设计到级联式回归，自从看了GBDT后才发现其实就是GBDT的一种变种算法。因此一路下来看了不少算法，明白了它们之间的基本关系与算法的简单原理。在此记录一下，以后也方便的查看。

二、决策树大类算法：

1.决策树：决策树是一种常见的分类与回归模型，主要呈树]]></description><category></category></item><item><title><![CDATA[C++多态]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78073623</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78073623</guid><author>u010398562</author><pubDate>Sat, 23 Sep 2017 21:32:49 +0800</pubDate><description><![CDATA[1. 用virtual关键字申明的函数叫做虚函数，虚函数肯定是类的成员函数。
2. 存在虚函数的类都有一个一维的虚函数表叫做虚表。类的对象有一个指向虚表开始的虚指针。虚表是和类对应的，虚表指针是和对象对应的。
3. 多态性是一个接口多种实现，是面向对象的核心。分为类的多态性和函数的多态性。
4. 多态用虚函数来实现，结合动态绑定。
5. 纯虚函数是虚函数再加上= 0。
6. 抽象类是指包]]></description><category></category></item><item><title><![CDATA[算法工程师面试]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/78009939</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/78009939</guid><author>u010398562</author><pubDate>Sun, 17 Sep 2017 13:59:18 +0800</pubDate><description><![CDATA[算法工程师面试必备


成为算法工程师，应该学习哪些东西

首先说算法工程师有几个方向：NLP，推荐，CV，深度学习，然后结合公司业务做得内容各不相同 传统机器学习算法：感知机，SVM，LR，softmax，Kmeans，DBSCAN，决策树（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神经网络，朴素贝叶斯，LDA，PCA，核函数，最大熵等
]]></description><category></category></item><item><title><![CDATA[SCI期刊图像处理]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77935249</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77935249</guid><author>u010398562</author><pubDate>Mon, 11 Sep 2017 17:08:49 +0800</pubDate><description><![CDATA[刊名简称


期刊名称


分
区


影响因子




INFORM PROCESS
LETT


INFORMATION PROCESSING LETTERS


4


0.453




J VLSI SIG
PROC SYST


JOURNAL OF VLSI SIGNAL
PROCESSING SYSTEMS FO]]></description><category></category></item><item><title><![CDATA[SCI 投稿Cover letter模板大全 (2012-01-12 16:20:30)转载▼ 标签： e-mail 稿号 意见 修改稿 信件 杂谈	分类： technology 1.第一次投稿Cov]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77871906</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77871906</guid><author>u010398562</author><pubDate>Wed, 06 Sep 2017 21:44:40 +0800</pubDate><description><![CDATA[SCI 投稿Cover letter模板大全
 (2012-01-12 16:20:30)
转载▼






标签： 

e-mail
 

稿号
 

意见
 

修改稿
 

信件
 

杂谈


分类： technology





1.第一次投稿Cover letter：主要任务是介绍文章主要创新以及声明没有一稿多投]]></description><category></category></item><item><title><![CDATA[SCI 图像处理 机器学习]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77849363</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77849363</guid><author>u010398562</author><pubDate>Tue, 05 Sep 2017 11:26:26 +0800</pubDate><description><![CDATA[IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE SCI IF=4.378

ACM TRANSACTIONS ON GRAPHICS SCI IF=3.619

IEEE TRANSACTIONS ON MEDICAL IMAGING SCI IF=3.54

INTERNATIONAL JOURNAL OF]]></description><category></category></item><item><title><![CDATA[神经网络的激活函数sigmoid RELU]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77835788</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77835788</guid><author>u010398562</author><pubDate>Mon, 04 Sep 2017 11:34:41 +0800</pubDate><description><![CDATA[日常 coding 中，我们会很自然的使用一些激活函数，比如：sigmoid、ReLU等等。不过好像忘了问自己一(n)件事：

为什么需要激活函数？激活函数都有哪些？都长什么样？有哪些优缺点？怎么选用激活函数？

本文正是基于这些问题展开的，欢迎批评指正！


(此图并没有什么卵用，纯属为了装x …)

Why use activation functions?

激活函数通]]></description><category></category></item><item><title><![CDATA[机器学习常见模型分析与比较]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77822907</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77822907</guid><author>u010398562</author><pubDate>Sun, 03 Sep 2017 15:43:09 +0800</pubDate><description><![CDATA[朴素贝叶斯：

　　有以下几个地方需要注意：

　　1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。

　　2. 计算公式如下：

 　　

　　其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是 的计算方法，而由朴素贝叶斯的前提假设可知， = ，因]]></description><category></category></item><item><title><![CDATA[xGBoost GBDT]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77822788</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77822788</guid><author>u010398562</author><pubDate>Sun, 03 Sep 2017 15:29:33 +0800</pubDate><description><![CDATA[作者：wepon
链接：https://www.zhihu.com/question/41354392/answer/98658997
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。


xgboost相比传统gbdt有何不同？xgboost为什么快？xgboost如何支持并行？ 


看了陈天奇大神的文章和slides，略抒己见，没有面面俱到，]]></description><category></category></item><item><title><![CDATA[L0和L1:正则化]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77806327</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77806327</guid><author>u010398562</author><pubDate>Sat, 02 Sep 2017 22:46:04 +0800</pubDate><description><![CDATA[1、概念

L0正则化的值是模型参数中非零参数的个数。

L1正则化表示各个参数绝对值之和。

L2正则化标识各个参数的平方的和的开方值。




2、先讨论几个问题：

1）实现参数的稀疏有什么好处吗？

一个好处是可以简化模型，避免过拟合。因为一个模型中真正重要的参数可能并不多，如果考虑所有的参数起作用，那么可以对训练数据可以预测的很好，但是对测试数据就只能呵呵了]]></description><category></category></item><item><title><![CDATA[hash冲突解决]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77804897</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77804897</guid><author>u010398562</author><pubDate>Sat, 02 Sep 2017 22:18:09 +0800</pubDate><description><![CDATA[虽然我们不希望发生冲突，但实际上发生冲突的可能性仍是存在的。当关键字值域远大于哈希表的长度，而且事先并不知道关键字的具体取值时。冲突就难免会发
 生。另外，当关键字的实际取值大于哈希表的长度时，而且表中已装满了记录，如果插入一个新记录，不仅发生冲突，而且还会发生溢出。因此，处理冲突和溢出是
 哈希技术中的两个重要问题。
1、开放定址法
    　用开放定址法解决冲突的做法是：当冲突发生时，]]></description><category></category></item><item><title><![CDATA[PRC 和ROC]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77804086</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77804086</guid><author>u010398562</author><pubDate>Sat, 02 Sep 2017 21:47:18 +0800</pubDate><description><![CDATA[一、指标定义
准确率：策略命中的所有相关订单/策略命中的所有订单 召回率：策略命中的所有相关订单/所有的相关订单（包括策略未被命中的） F1-score(F1-分数)：2×准确率×召回率/（准确率+召回率），是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。（详细介绍见下）
 ROC:ROC曲线的横坐标为false positive rate（FPR,假正率），纵坐标为true ]]></description><category></category></item><item><title><![CDATA[C++]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77726828</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77726828</guid><author>u010398562</author><pubDate>Wed, 30 Aug 2017 22:53:34 +0800</pubDate><description><![CDATA[常见C++面试题及基本知识点总结


标签： C++面试题C++基本知识点
2016-10-17 14:03 510人阅读 评论(0) 收藏 举报



 分类：

c++基础温习（6） 




目录(?)[+]




文章出处：http://www.cnblogs.com/LUO77/p/5771237.html

1. 结构体和共同体的区别。
]]></description><category></category></item><item><title><![CDATA[图像算法]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77689428</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77689428</guid><author>u010398562</author><pubDate>Tue, 29 Aug 2017 23:03:56 +0800</pubDate><description><![CDATA[图像基础知识：

1. 常用的图像空间。

2. 简述你熟悉的聚类算法并说明其优缺点。

3. 请描述以下任一概念：SIFT/SURF  LDA/PCA

4. 请说出使用过的分类器和实现原理。

5. Random Forest的随机性表现在哪里。

6. Graph-cut的基本原理和应用。

7. GMM的基本原理和应用。

8. 用具体算法举例说明监督学习和]]></description><category></category></item><item><title><![CDATA[SURF 与 SIFT]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77688990</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77688990</guid><author>u010398562</author><pubDate>Tue, 29 Aug 2017 22:16:21 +0800</pubDate><description><![CDATA[转载▼






[转载]SURF 与 SIFT



共同点：

SIFT/SURF为了实现不同图像中相同场景的匹配，主要包括三个步骤：

1、尺度空间的建立；

2、特征点的提取；

3、利用特征点周围邻域的信息生成特征描述子

4、特征点匹配。

      从博客上看到一片文章，http://blog.youkuaiyun.com/cy513/archi]]></description><category></category></item><item><title><![CDATA[图像处理 图像平滑、滤波、卷积]]></title><link>https://blog.youkuaiyun.com/u010398562/article/details/77684042</link><guid>https://blog.youkuaiyun.com/u010398562/article/details/77684042</guid><author>u010398562</author><pubDate>Tue, 29 Aug 2017 18:01:46 +0800</pubDate><description><![CDATA[1.图像卷积（模板）

(1).使用模板处理图像相关概念：     

     模板：矩阵方块，其数学含义是一种卷积运算。 
     

     卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个像素分别于卷积核(权矩阵)的每个元素对应相 乘，所有乘积之和作为区域中心像素的新值。
     卷积核：卷积时使用到的权用一个矩阵表示，该矩阵是一个权矩阵。
     卷积]]></description><category></category></item></channel></rss>