<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Jack_H的专栏]]></title><description><![CDATA[前无古人，后无来者。念天地之悠悠，独怆然而涕下！]]></description><link>https://blog.youkuaiyun.com/u010680837</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010680837]]></copyright><item><title><![CDATA[欢迎使用优快云-markdown编辑器]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/54916093</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/54916093</guid><author>u010680837</author><pubDate>Tue, 07 Feb 2017 21:11:52 +0800</pubDate><description><![CDATA[又是一个年头，走过2016，开始了17新的征程。]]></description><category></category></item><item><title><![CDATA[欢迎使用优快云-markdown编辑器]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/53981878</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/53981878</guid><author>u010680837</author><pubDate>Mon, 02 Jan 2017 20:16:47 +0800</pubDate><description><![CDATA[欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：
Markdown和扩展Markdown简洁的语法
代码块高亮
图片链接和图片上传
LaTex数学公式
UML序列图和流程图
离线写博客
导入导出Markdown文件
丰富的快捷键
快捷键
加粗    Ctrl + B 
斜体    Ctrl + I 
引用    Ctrl]]></description><category></category></item><item><title><![CDATA[ALS 【转载】]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/53189077</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/53189077</guid><author>u010680837</author><pubDate>Wed, 16 Nov 2016 17:37:04 +0800</pubDate><description><![CDATA[转自：https://github.com/ceys/jdml/wiki/ALS  
编写人：ceys/youyis  
一、算法描述1.原理问题描述ALS的矩阵分解算法常应用于推荐系统中，将用户(user)对商品(item)的评分矩阵，分解为用户对商品隐含特征的偏好矩阵，和商品在隐含特征上的映射矩阵。与传统的矩阵分解SVD方法来分解矩阵R(R∈Rm×nR\in \mathbb{R}^{m\time]]></description><category></category></item><item><title><![CDATA[天注定--从现在开始的展望]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/51540692</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/51540692</guid><author>u010680837</author><pubDate>Mon, 30 May 2016 20:09:55 +0800</pubDate><description><![CDATA[Part One 主人公大海因为不满村中官商勾结在状告无门的时候，又因为当面质问煤矿老板被打，在医院收到封口费，再次回到村里的大海受到了集体的嘲笑，一怒之下枪杀村会计夫妇、狐假虎威的村委会传达室职员、村长以及煤老板等。

Part Two 在外闯江湖的老三枪杀了拦路抢劫的三个劫匪，常年在湖南、云南等地闯荡，对生活感到索然无味，选择过在外激情的生活，在极强的犯罪智商掩盖下，抢劫取款后的人们，并成]]></description><category></category></item><item><title><![CDATA[参数在编译器决定]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/48223357</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/48223357</guid><author>u010680837</author><pubDate>Sat, 05 Sep 2015 10:57:50 +0800</pubDate><description><![CDATA[class A
{
    public:
          virtual void func(int val = 1)
         {
            std::cout " << val << std::endl;
}

           virtual void test()
         {
           func();
            }
   ]]></description><category></category></item><item><title><![CDATA[浅层网路regression杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/43371927</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/43371927</guid><author>u010680837</author><pubDate>Sun, 01 Feb 2015 15:25:01 +0800</pubDate><description><![CDATA[tools ：ConvNetJS regression
motivation  :  查看相应规模网络的学习能力，不同复杂度的图片，所作出预测的能力。
网络配置：hidden Layer共7层，外加，输入及输出层。
                    隐藏层 每层20个neurons,并每层采用regularization.。


结果：


该幅图片中所含的信息量太大，由于]]></description><category></category></item><item><title><![CDATA[softmax杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/43200007</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/43200007</guid><author>u010680837</author><pubDate>Tue, 27 Jan 2015 20:02:51 +0800</pubDate><description><![CDATA[首先，寄出经典--stanford的SoftMax回归-Ufldl。之后，瞬间感觉没自己什么事了！
本来是自己上了NG的课程之后，前前后后的看了许久的东西，但是现在感觉到，很多东西，也只是知其然，不知所以然。后面是要花时间，细细的琢磨这些东西，可能要从最最基础的东西开始了。
一些重要的东西，还是复制一下！
softmax回归  VS   多个二元分类器


如果你在开发一个音乐分类的应]]></description><category></category></item><item><title><![CDATA[稀疏矩阵的存储格式]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/42884177</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/42884177</guid><author>u010680837</author><pubDate>Mon, 19 Jan 2015 21:55:03 +0800</pubDate><description><![CDATA[题注：看到网上有这方面的东西，但是不多，映像当中，中文的版本只有一个，讲解不够清楚，而且还有错误的地方，在经过查阅资料之后将存储格式中最为重要也是中文版本中的所有重新进行说明，以期望对大家有所帮助吧！分割区中的部分为本人改造版本，其余引用自他人:稀疏矩阵的存储格式（Sparse
 Matrix Storage Formats）Sason
        对于稀疏矩阵，仅仅存储非零元素可是矩阵操]]></description><category></category></item><item><title><![CDATA[pyinstaller 杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/42742759</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/42742759</guid><author>u010680837</author><pubDate>Thu, 15 Jan 2015 16:15:08 +0800</pubDate><description><![CDATA[查阅官方文档，请点此
    github地址，请点此
    下载，请点此
    先给出快捷版本：
                准备：已经写好的脚本 example.py  ,安装好工具pyinstaller.
                 模式说明：类1：将程序打包成一个文件。
                                     类2：将程序打包成文]]></description><category></category></item><item><title><![CDATA[numpy,scipy,matplotlib,pylab,pyplot 杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/42059097</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/42059097</guid><author>u010680837</author><pubDate>Sun, 21 Dec 2014 11:00:02 +0800</pubDate><description><![CDATA[pyplot and pylab  is a part of module matplotlib.  
numpy is one of dependencies of matplotlib.
scipy depend on numpy.
but matplotlib have no relation with scipy.


we always use plt as the alia]]></description><category></category></item><item><title><![CDATA[python中numpy杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/42044761</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/42044761</guid><author>u010680837</author><pubDate>Sat, 20 Dec 2014 19:51:52 +0800</pubDate><description><![CDATA[今天看到了个arange(),在百度中是没有搜到答案，直接进google,当然有的是答案了@！
以后对这些貌似很像且有用的东西进行记录！
range()返回的是list；xrange 返回的是python中的xrange对象（一个生成器）；arange返回的是一个array对象，是numpy中的函数。
range(10)返回大小10，xrange返回xrange(10),占用内存很小，ara]]></description><category></category></item><item><title><![CDATA[局部敏感哈希杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/41982269</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/41982269</guid><author>u010680837</author><pubDate>Wed, 17 Dec 2014 15:24:19 +0800</pubDate><description><![CDATA[在电脑前面时间太长了，加上阳光晒了很久的缘故，脑子有些犯困了，故此，写写上午看的东西，已做放松吧！
局部敏感哈希LSH：
提出：当我遇到查找一类的问题时，第一个冒出来的想法，必定是hash,其他乱七八糟的算法，那是最后的选择了。原因依然很简单就是O(1).
在微博或者查找文本的时候，在当今海量的数据面前，如果采用传统的方法找到与目标文档相似，或者目标内容相似的内容，那我们还是洗洗睡吧！费时费]]></description><category></category></item><item><title><![CDATA[岭回归and逐步线性回归杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/41577221</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/41577221</guid><author>u010680837</author><pubDate>Fri, 28 Nov 2014 16:08:29 +0800</pubDate><description><![CDATA[1.预备知识：对于有些矩阵，矩阵中某个元素的一个很小的变动，会引起最后计算结果误差很大，这种矩阵称为“病态矩阵”。有些时候不正确的计算方法也会使一个正常的矩阵在运算中表现出病态。对于高斯消去法来说，如果主元（即对角线上的元素）上的元素很小，在计算时就会表现出病态的特征。
回归分析中常用的最小二乘法是一种无偏估计。
         

当X列满秩时，有：    X+表示X的广义逆（或叫伪逆]]></description><category></category></item><item><title><![CDATA[贝叶斯杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/40976471</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/40976471</guid><author>u010680837</author><pubDate>Mon, 10 Nov 2014 09:30:39 +0800</pubDate><description><![CDATA[贝叶斯，最早接触是在]]></description><category></category></item><item><title><![CDATA[决策树杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/40898747</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/40898747</guid><author>u010680837</author><pubDate>Fri, 07 Nov 2014 20:51:37 +0800</pubDate><description><![CDATA[决策树这部分的知识，记得那时近两个月前回家时在火车上闲着没事看的，]]></description><category></category></item><item><title><![CDATA[Word2vec学习杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/40593153</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/40593153</guid><author>u010680837</author><pubDate>Wed, 29 Oct 2014 21:16:25 +0800</pubDate><description><![CDATA[在学习CNN的过程中无意中在微博当中]]></description><category></category></item><item><title><![CDATA[CNN杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/40478245</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/40478245</guid><author>u010680837</author><pubDate>Sun, 26 Oct 2014 17:32:05 +0800</pubDate><description><![CDATA[BP算法的详细介绍：http://deeplearning.stanford.edu/wiki/index.php/%E5%8F%8D%E5%90%91%E4%BC%A0%E5%AF%BC%E7%AE%97%E6%B3%95
zheying]]></description><category></category></item><item><title><![CDATA[python模拟登陆杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/40192967</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/40192967</guid><author>u010680837</author><pubDate>Fri, 17 Oct 2014 22:07:56 +0800</pubDate><description><![CDATA[从一个菜，开始练习要弄懂这些还真是费了很大的力气啊！
       网上这种登陆的代码真的是一大堆了，所以代码就免了，也没什么意思！
      就说说那些高手不会说的东西，就像课本里面只讲结论，而不讲这些贤人怎么思考的过程。我认为结论固然重要，但是思考的过程也很重要！
      首先，有http协议和cookie的一些知识也很必要，没有也没有很大关系！
      要模拟登陆，就需要懂]]></description><category></category></item><item><title><![CDATA[HMM杂记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/39616851</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/39616851</guid><author>u010680837</author><pubDate>Sat, 27 Sep 2014 20:29:18 +0800</pubDate><description><![CDATA[在接触了GMM之后， 选择将HMM进行了了解，网上的基础资料还是挺多的，]]></description><category></category></item><item><title><![CDATA[deep learning 初记]]></title><link>https://blog.youkuaiyun.com/u010680837/article/details/39395017</link><guid>https://blog.youkuaiyun.com/u010680837/article/details/39395017</guid><author>u010680837</author><pubDate>Fri, 19 Sep 2014 10:53:39 +0800</pubDate><description><![CDATA[为了理解为什么大数据需要深度模型，先举一个例子。语音识别已经是一个大数据的机器学习问题，在其声学建模部分，通常面临的是十亿到千亿级别的训练样本。在Google的一个语音识别实验中，发现训练后的DNN对训练样本和测试样本的预测误差基本相当。这是非常违反常识的，因为通常模型在训练样本上的预测误差会显著小于测试样本。因此，只有一个解释，就是由于大数据里含有丰富的信息维度，即便是DNN这样的高容量复杂模型]]></description><category></category></item></channel></rss>