JIN JI 2013.12.24

对【先验分布/后验分布/似然估计】介绍的很清晰https://blog.youkuaiyun.com/qq_23947237/article/details/78265026上述文章对贝叶斯估计的内容介绍的不多https://www.cnblogs.com/xueliangliu/archive/2012/08/02/2962161.html...

作 者：韩 昊知 乎：Heinrich微 博：@花生油工人知乎专栏：与时间无关的故事谨以此文献给大连海事大学的吴楠老师，柳晓鸣老师，王新年老师以及张晶泊老师。转载的同学请保留上面这句话，谢谢。如果还能保留文章来源就更感激不尽了。 ——更新于2014.6.6，想直接看更新的同学可以直接跳到第四章————我保证这篇文章和你以前看过的所有文章都不同，这是12年还在果壳的时...

参考资料：https://www.jianshu.com/p/43318a3dc715?from=timeline&isappinstalled=0https://www.zhihu.com/question/41252833视频讲解https://www.youtube.com/watch?v=ErfnhcEV1O8如何理解K-L散度（相对熵）Kull...

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用版权声明： 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com。也可以加我的微博:@leftnoteasy转载https://www.cnblogs.com/Left...

作者：Faaany链接：https://www.zhihu.com/question/21868680/answer/136376374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。要更好的理解范数，就要从函数、几何与矩阵的角度去理解，我尽量讲的通俗一些。我们都知道，函数与几何图形往往是有对应的关系，这个很好想象，特别是在三维以下的空间内，函数是几...

https://www.jianshu.com/p/4128e5b31fb4title: 闲话矩阵求导原始文件没有办法把latex公式正常显示，所以一个一个弄出来了，保留了原来的公式。原始文章来自《闲话矩阵求导》。矩阵求导，想必许多领域能见到。统计学，经济学，优化，机器学习等等，在对目标问题建立数学模型之后，问题往往被抽象为关于矩阵的优化问题。于是免不了需要对矩阵进行求导等操作。简单...

ref： https://blog.youkuaiyun.com/u012421852/article/details/79594933矩阵的迹概念 矩阵的迹 就是 矩阵的主对角线上所有元素的和。 矩阵A的迹，记作tr(A)，可知tra(A)=∑aii，1<=i<=n。定理：tr(AB) = tr(BA)证明定理：tr(ABC) = tr(C...

转如何让奇异值分解(SVD)变得不“奇异”？红色石头 发布于 2018-08-29 分类：机器学习 阅读(144) 评论(0)如何让奇异值分解(SVD)变得不“奇异”？-红色石头的个人博客http://redstonewill.com/1529/在之前的一篇文章：通俗解释协方差与相关系数，红色石头为大家通俗化地讲解了协方差是如何定义的，以及如何直观理解协方差，并且比较了协...

第一部分：矩阵的奇异值分解：矩阵的奇异值分解证明过程中会用到五个定理，先作为补充知识展示这五个定理：定理一：A是对称矩阵，则不同特征值对应的特征向量是正交的。证明：设，是矩阵A的特征向量，且，，为，对应的特征向量，即：，则，因为A是对称矩阵，则所以，则：因为，所以：，即：和是正交的。证毕————————————————————...

线代专栏：https://zhuanlan.zhihu.com/p/30191876概率统计：https://zhuanlan.zhihu.com/p/30314229优化（上）：https://zhuanlan.zhihu.com/p/30383127优化（下）：https://zhuanlan.zhihu.com/p/30486793信息论及其他：https://zhuanla...

线代专栏：https://zhuanlan.zhihu.com/p/30191876概率统计：https://zhuanlan.zhihu.com/p/30314229优化（上）：https://zhuanlan.zhihu.com/p/30383127优化（下）：https://zhuanlan.zhihu.com/p/30486793信息论及其他：https://zhuanla...

Hausdorff距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A={a1,…,ap},B={b1,…,bq},则这两个点集合之间的Hausdorff距离定义为　　H(A,B)=max(h(A,B),h(B,A))                    (1)　　其中,　　h(A,B)=max（a∈A）min（b∈B）‖a-b‖     (2)　　h(...

        上节讨论了基于阈值处理的目标检测，今天就来讨论下基于霍夫投票的目标检测，霍夫投票打算分成两个小节，第一个小节简单的说下霍夫变换和广义霍夫变换（generalized hough transform），他们投票的权重都是相等的，下一节讨论概率空间中的霍夫投票，顾名思义他们的投票权重是不确定的。      先来看下霍夫变换（hough transform）,霍夫变换一般适用于有解析...

【1】 Thin Plate Spline editor - an example program in C++https://elonen.iki.fi/code/tpsdemo/Screenshot from the TPS demo Based mostly on "Approximation Methods for Thin Plate Spline Mappings an...

【1】matlab代码https://www.mathworks.com/matlabcentral/fileexchange/24315-warping-using-thin-plate-splines【2】url：https://blog.youkuaiyun.com/victoriaw/article/details/70161180数值方法——薄板样条插值（Thin-Plate Splin...

原文链接 http://blog.youkuaiyun.com/zouxy09        今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。   ...

转载出处：线代专栏：https://zhuanlan.zhihu.com/p/30191876概率统计：https://zhuanlan.zhihu.com/p/30314229优化（上）：https://zhuanlan.zhihu.com/p/30383127优化（下）：https://zhuanlan.zhihu.com/p/30486793信息论及其他：https://...

转载出处：线代专栏：https://zhuanlan.zhihu.com/p/30191876概率统计：https://zhuanlan.zhihu.com/p/30314229优化（上）：https://zhuanlan.zhihu.com/p/30383127优化（下）：https://zhuanlan.zhihu.com/p/30486793信息论及其他：https://...

线代专栏：https://zhuanlan.zhihu.com/p/30191876概率统计：https://zhuanlan.zhihu.com/p/30314229优化（上）：https://zhuanlan.zhihu.com/p/30383127优化（下）：https://zhuanlan.zhihu.com/p/30486793信息论及其他：https://zhuanla...

最大似然估计是利用已知的样本的结果，在使用某个模型的基础上，反推最有可能导致这样结果的模型参数值。深入浅出最大似然估计例子1：抽球举个通俗的例子：假设一个袋子装有白球与红球，比例未知，现在抽取10次（每次抽完都放回，保证事件独立性），假设抽到了7次白球和3次红球，在此数据样本条件下，可以采用最大似然估计法求解袋子中白球的比例（最大似然估计是一种“模型