<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[夏大兔的学习笔记]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u011290316</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u011290316]]></copyright><item><title><![CDATA[Machine Learning_Logistic Regression&Sigmoid Function的数学推导]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/80955441</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/80955441</guid><author>u011290316</author><pubDate>Sat, 07 Jul 2018 22:28:59 +0800</pubDate><description><![CDATA[
Logistic Regression假设数据服从伯努利分布,通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。
Logistic/Sigmoid Function可以通过广义线性模型推导得到。




Logistic Regression推导

因为要解决二分类问题，我们利用logistic function将线性模型映射到(0,1)(0,1)(0,1)之间： 
h...]]></description><category></category></item><item><title><![CDATA[算法学习——快速排序]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/80763049</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/80763049</guid><author>u011290316</author><pubDate>Thu, 21 Jun 2018 16:57:12 +0800</pubDate><description><![CDATA[快速排序


  采用了分治法。 
  和归并排序正好互补：归并排序是将有序的子序列不断归并；快排是将序列不断分割，当子序列有序时，整个序列也有序。






Tips:


平均时间复杂度为：O(nlgn)，最差为O(n^2)；
快速排序的最好情况是每次都能正好能将数组半分；
最差情况是每次分割只能分成1个和另外的；


// 每一次Partition都是在寻找基准pivot的合适分割位置
i...]]></description><category></category></item><item><title><![CDATA[算法学习——堆排序]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/80760305</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/80760305</guid><author>u011290316</author><pubDate>Thu, 21 Jun 2018 14:44:05 +0800</pubDate><description><![CDATA[堆排序


  类似于选择排序，但是相比于选择排序，利用“堆”的性质，提供了一种从未排序部分找到最大元素的有效方法，所需要的比较次数少得多。






Tips:


时间复杂度：O(nlogn)，最坏情况下仍为O(nlogn)，因为“堆”使得速度有保证。
空间复杂度：O(1)
是一种不稳定排序
如果要升序排，那么就要构建最大堆，每次调整完就把堆顶元素与最后一个元素交换，然后最后一个元素不再参与...]]></description><category></category></item><item><title><![CDATA[利用Aqua-sim(based on NS2)仿真新的水下MAC协议流程]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/79439669</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/79439669</guid><author>u011290316</author><pubDate>Sun, 04 Mar 2018 21:19:18 +0800</pubDate><description><![CDATA[添加新的水下mac协议流程见：

http://blog.youkuaiyun.com/xiayiqian71/article/details/79269395

经过上次，我们已经了解了如何在Aqua-Sim中添加一个属于自己的水下MAC协议。

由于，我自己的协议是打算基于COPE-MAC作进一步修改，故首先是要先把自带的COPE-MAC协议跑起来，然后问题出现了：无论我怎么修改tcl文件，协议都无法仿真...]]></description><category></category></item><item><title><![CDATA[算法学习——子序列性质相关经典算法]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/79360769</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/79360769</guid><author>u011290316</author><pubDate>Sat, 24 Feb 2018 13:32:49 +0800</pubDate><description><![CDATA[Longest Common Subsequence（LCS，最长公共子序列）


DP算法
状态f[i][j]: 字符串A前i个字符和字符串B前j个字符的LCS
转移方程： 
if A[i-1] != B[j-1],  
f[i][j]=max{f[i−1][j],f[i][j−1],f[i−1][j−1]}f[i][j]=max{f[i−1][j],f[i][j−1],f[i−1][j−1]}...]]></description><category></category></item><item><title><![CDATA[Aqua-sim(based on NS2)中添加新的水下MAC协议流程]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/79269395</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/79269395</guid><author>u011290316</author><pubDate>Tue, 06 Feb 2018 21:01:16 +0800</pubDate><description><![CDATA[前提：

Aqua-Sim已编译完成 
IDE：eclipse



1. copy得到一个自己的MAC，模仿COPEMAC，得到一个MyCOPEMAC

文件夹路径： 
/home/mac/Aqua-Sim-1.0/ns-2.30/underwatersensor/uw_mac

copy其中的COPEMAC文件夹复制为MyCOPEMAC文件夹

修改文件夹中文件名称为mycopemac.cc和...]]></description><category></category></item><item><title><![CDATA[算法学习——六个经典排序算法]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/79193998</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/79193998</guid><author>u011290316</author><pubDate>Mon, 29 Jan 2018 12:52:06 +0800</pubDate><description><![CDATA[六个经典排序算法

最近在开始看算法书，从最经典的排序算法开始，用C++实现了六个经典的排序算法，记录下来，以便日后翻阅。


时间复杂度O(N*N) 
冒泡排序
选择排序
插入排序
时间复杂度O(NlgN) 
快排
合并排序
堆排序




Show me the Code

#include 
#include 
using namespace std;

class Sort{
public]]></description><category></category></item><item><title><![CDATA[Deep Learning_deeplearning.ai(course3)简单总结]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/78084704</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/78084704</guid><author>u011290316</author><pubDate>Mon, 25 Sep 2017 14:27:23 +0800</pubDate><description><![CDATA[Course 3主要是针对机器学习的方法论研究。]]></description><category></category></item><item><title><![CDATA[Deep Learning_deeplearning.ai(course1、2)简单总结]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/78078712</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/78078712</guid><author>u011290316</author><pubDate>Sun, 24 Sep 2017 19:09:25 +0800</pubDate><description><![CDATA[写在前面首先，感恩朋友借我的付费账号。 
这周二的时候终于把吴恩达老师的deepLearning.ai（https://www.deeplearning.ai/）上的前三课学完了，完成了前两课的quiz和编程练习，感觉收获许多，抱着好好整理一下的心态，一直想要写一篇小总结的，无奈拖延症发作，一直拖到了现在。 
本文将简单总结一下deeplearning.ai前三课的内容，主要拎一下框架。]]></description><category></category></item><item><title><![CDATA[Deep Learning_预训练CNN图片分类模型（AlexNet、VGG、GoogLeNet、Resnet.....）]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/77485473</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/77485473</guid><author>u011290316</author><pubDate>Tue, 22 Aug 2017 20:17:40 +0800</pubDate><description><![CDATA[这段时间在做一个人脸验证的大作业，接触到了一些预训练模型（AlexNet、VGG、GoogLeNet、Resnet…..），今天看到了一个关于这些模型的比较好的回答，记录下来方面日后翻阅。作者：周博磊 
链接：https://www.zhihu.com/question/43370067/answer/128881262 
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]]></description><category></category></item><item><title><![CDATA[Machine Learning_Bagging(RF)&Boosting(Adaboost、GBDT)]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/75194289</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/75194289</guid><author>u011290316</author><pubDate>Sat, 15 Jul 2017 21:51:58 +0800</pubDate><description><![CDATA[这段时间在看GBDT，看到了一篇不错的关于Bagging和Boosting的问答，记录下来以便以后翻阅。问题：为什么xgboost/gbdt在调参时为什么树的深度很少就能达到很高的精度？ 
作者：于菲 
链接：https://www.zhihu.com/question/45487317/answer/99153174 
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]]></description><category></category></item><item><title><![CDATA[Machine Learning_实例2_Recommender System]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/73610198</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/73610198</guid><author>u011290316</author><pubDate>Thu, 22 Jun 2017 18:53:46 +0800</pubDate><description><![CDATA[本文将从以下两方面简单介绍本次任务的完成情况： 
1.  实现算法简单介绍 
2.  程序运行说明一、   实现算法简单介绍本次推荐系统采用基于用户的协同滤波推荐，来自参考文献[1]。 
user a对item j的评分预测可以通过下列公式得到： 
其中，va为user a所有评分的平均值，vij为user i对item j的评分，vi为user i所有评分的平均值， 
w(a,i)为user a和]]></description><category></category></item><item><title><![CDATA[Machine learning_安装_dlib]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72877691</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72877691</guid><author>u011290316</author><pubDate>Tue, 06 Jun 2017 14:39:25 +0800</pubDate><description><![CDATA[为了人脸对齐任务，安装dlib，搞定！]]></description><category></category></item><item><title><![CDATA[Machine learning_安装_opencv]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72862188</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72862188</guid><author>u011290316</author><pubDate>Sun, 04 Jun 2017 22:32:46 +0800</pubDate><description><![CDATA[装好TensorFlow之后，一鼓作气再把opencv安装好！]]></description><category></category></item><item><title><![CDATA[Machine Learning_安装_tensorflow]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72861533</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72861533</guid><author>u011290316</author><pubDate>Sun, 04 Jun 2017 21:24:41 +0800</pubDate><description><![CDATA[caffe 啊…装了三天…装到凌晨…装到丧失理智.. 太不友好了 
放弃！ 
还是老老实实用tensrflow

装成功了！]]></description><category></category></item><item><title><![CDATA[Machine Learning_安装_caffe_再试一次]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72842610</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72842610</guid><author>u011290316</author><pubDate>Fri, 02 Jun 2017 22:11:01 +0800</pubDate><description><![CDATA[还是没装好]]></description><category></category></item><item><title><![CDATA[Machine Learning_安装_caffe]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72825714</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72825714</guid><author>u011290316</author><pubDate>Fri, 02 Jun 2017 11:03:51 +0800</pubDate><description><![CDATA[没装成啊.....哎]]></description><category></category></item><item><title><![CDATA[Machine Learning_实例1_SpeakingDetection]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/72638979</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/72638979</guid><author>u011290316</author><pubDate>Tue, 23 May 2017 14:07:57 +0800</pubDate><description><![CDATA[[Assignment Requirements]Write a program to detect whether a person in a video speaks or not.]]></description><category></category></item><item><title><![CDATA[Cloud Computing(8)_实例实现_淘宝双11数据分析与预测]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/70339585</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/70339585</guid><author>u011290316</author><pubDate>Fri, 21 Apr 2017 21:22:09 +0800</pubDate><description><![CDATA[在本文中，主要实现了一个云计算相关实例：淘宝双11数据分析与预测]]></description><category></category></item><item><title><![CDATA[Cloud Computing(7)_Graph Algorithms]]></title><link>https://blog.youkuaiyun.com/u011290316/article/details/69487002</link><guid>https://blog.youkuaiyun.com/u011290316/article/details/69487002</guid><author>u011290316</author><pubDate>Fri, 21 Apr 2017 21:06:36 +0800</pubDate><description><![CDATA[Graph Algoruthms]]></description><category></category></item></channel></rss>