<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u014630987的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u014630987</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u014630987]]></copyright><item><title><![CDATA[目标检测 —— Selective Search 算法]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/99072284</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/99072284</guid><author>u014630987</author><pubDate>Sat, 10 Aug 2019 14:25:30 +0800</pubDate><description><![CDATA[1. 前言
由于目标检测和图像分类的不同，一张图可能存在多个目标，因此为了定位和识别出图片中的目标，一个简单的做法是通过 滑动窗口 的方法来将图像分割成许多的子区域，然后进行识别和坐标修正。但是这种方法有一个缺点就是： 他是在图像上通过穷举的方法找出所有的子区域，这样就会导致生成的小区域数量居多。而 Selective Search 是另一种基于区域的方法，该方法能大大减少子区域的数量。并且在 R...]]></description><category></category></item><item><title><![CDATA[目标检测中的样本不平衡处理方法——OHEM, Focal Loss, GHM, PISA]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/96646662</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/96646662</guid><author>u014630987</author><pubDate>Sat, 20 Jul 2019 23:25:21 +0800</pubDate><description><![CDATA[1. 前言
目前。计算机视觉中的性能最好的目标检测方法主要分为两种: one-stage 和two-stage 方法。two-stage方法分为两步，第一步为候选区域生成阶段(Proposal stage),通过如Selective Search、EdgeBoxes等方法可以生成数量相对较小候选目标检测框；第二步为分类与回归阶段，对第一阶段生成的 Candiate Proposal 进行分类和位置...]]></description><category></category></item><item><title><![CDATA[GBDT算法原理以及实例理解]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/89602217</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/89602217</guid><author>u014630987</author><pubDate>Sat, 27 Apr 2019 15:21:53 +0800</pubDate><description><![CDATA[该内容完全转载自同名优快云博客(http://blog.youkuaiyun.com/zpalyq110/article/details/79527653)
文章目录1. Decision Tree：CART回归树2. Gradient Boosting：拟合负梯度3. GBDT算法原理4. 实例详解
写在前面： 去年学习GBDT之初，为了加强对算法的理解，整理了一篇笔记形式的文章，发出去之后发现阅读量越来...]]></description><category></category></item><item><title><![CDATA[机器学习中的熵、条件熵、相对熵(KL散度)和交叉熵]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/89544279</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/89544279</guid><author>u014630987</author><pubDate>Fri, 26 Apr 2019 12:31:54 +0800</pubDate><description><![CDATA[该文章转载自详解机器学习中的熵、条件熵、相对熵和交叉熵
文章目录1、信息熵 (information entropy)2、条件熵 (Conditional entropy)3、相对熵 (Relative entropy)，也称KL散度 (Kullback–Leibler divergence)4、交叉熵 (Cross entropy)5、总结6、参考
1、信息熵 (information entr...]]></description><category></category></item><item><title><![CDATA[支持向量机——线性可分支持向量机]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/88845317</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/88845317</guid><author>u014630987</author><pubDate>Wed, 27 Mar 2019 15:05:44 +0800</pubDate><description><![CDATA[GitHub
简书
优快云
1 线性可分支持向量机
支持向量机(Support vector machines, SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，他的学习策略就是间隔最大化，同时该方法可以形式化为一个求解图二次规划。
支持向量机可分为三类:

线性可分支持向量机、硬间隔（hard-margin svm)
线性支持向量机、软间隔(soft-margi...]]></description><category></category></item><item><title><![CDATA[最大熵模型]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/88831663</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/88831663</guid><author>u014630987</author><pubDate>Tue, 26 Mar 2019 22:03:41 +0800</pubDate><description><![CDATA[1. 最大熵原理
最大熵模型（Maximum Entropy Model)是通过最大熵原理推导实现,那什么是最大熵原理？
熵是随机变量不确定性大的度量，不确定性越大，熵值越大；若随机变量变为定值，即某个值发生的概率为1，而其它事件都为0， 此时熵值为0，均匀分布是熵值最大的分布，也即“最不确定的分布”。
假设离散随机变量 XXX 的概率分布是 P(X)P(X)P(X),则其熵为:
(1)H(P)=...]]></description><category></category></item><item><title><![CDATA[逻辑(斯谛)回归（Logistic Regression）]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/88687924</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/88687924</guid><author>u014630987</author><pubDate>Wed, 20 Mar 2019 14:19:32 +0800</pubDate><description><![CDATA[GitHub
简书
优快云
在我们学习机器学习的过程中，我们所需解决的问题，大致可以分为两部分：分类和回归.其中,分类是指模型用来预测一个有限的离散值集合中的一个，比如猫狗分类，肿瘤的恶性或良性; 回归是指模型的输出是一个连续变量，比如预测房价、身高等.本篇内容讲解的是机器学习中经典的逻辑(斯谛)回归（Logistic Regression)，从名字上看，大家误以为该方法是一种回归方法，其实不然...]]></description><category></category></item><item><title><![CDATA[GloVe:Global Vectors for Word Representation]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/84339695</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/84339695</guid><author>u014630987</author><pubDate>Thu, 22 Nov 2018 15:12:31 +0800</pubDate><description><![CDATA[GIthub
简书
优快云
词作为自然语言处理中的一个基本单元，如何表示一个词对于后续的处理任务至关重要，最简单的表示方式是 One-hot，但是该方法表示的词之间是相互独立的，因此局限性很大，需要采用一种更合理的表示方法。
1. 前言
目前，学习词向量的方法主流的有两种：


全局矩阵分解的方法，比如LSA，HAL，这类方法首先统计语料库中的“词-文档”或者“词-词”共现矩阵，然后通过矩阵分解...]]></description><category></category></item><item><title><![CDATA[LeetCode 172.FactorialTrailingZeroes(阶乘后的零)]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82960232</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82960232</guid><author>u014630987</author><pubDate>Sun, 07 Oct 2018 18:59:49 +0800</pubDate><description><![CDATA[GitHub链接
简书链接
优快云链接
题目
给定一个整数 n， 返回 n!n!n! 结果尾数中零的个数。
示例1
输入: 3
输出: 0
解释: 3! = 6, 尾数中没有零。

示例2
输入: 5
输出: 1
解释: 5! = 120, 尾数中有 1 个零.

说明: 算法的时间复杂度应为 O(logn)O(log n)O(logn)
方法一（错误的）
求出 n!n!n! 的值或者在求的过程...]]></description><category></category></item><item><title><![CDATA[169. Majority Element(求众数)]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82958884</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82958884</guid><author>u014630987</author><pubDate>Sun, 07 Oct 2018 16:10:44 +0800</pubDate><description><![CDATA[GIthub
简书
优快云
题目
给定一个大小为 n 的数组，找到其中的众数。众数是指在数组中出现次数大于 ⌊ n/2 ⌋ 的元素。
你可以假设数组是非空的，并且给定的数组总是存在众数。
示例1：
输入: [3,2,3]
输出: 3

示例2：
输入: [2,2,1,1,1,2,2]
输出: 2

方法一: 暴力破解
算法
最简单最直接的方法是统计每个数出现的次数，如果它出现的次数 大于 ⌊n/...]]></description><category></category></item><item><title><![CDATA[LeetCode 136.Single Number(只出现一次的数字)]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82951316</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82951316</guid><author>u014630987</author><pubDate>Sat, 06 Oct 2018 15:23:21 +0800</pubDate><description><![CDATA[题目
给定一个非空整数数组，除了某个元素只出现一次以外，其余每个元素均出现两次。找出那个只出现了一次的元素。
说明
你的算法应该具有线性时间复杂度。 你可以不使用额外空间来实现吗？
示例1
输入: [2,2,1]
输出: 1

示例2
输入: [4,1,2,1,2]
输出: 4

难度系数: 简单
解题思路一
常规方法是,遍历数组,然后统计每个值出现的次数,最后在选择出现次数为1的那个值.该算法的...]]></description><category></category></item><item><title><![CDATA[多元线性回归——Day3]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82695498</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82695498</guid><author>u014630987</author><pubDate>Thu, 13 Sep 2018 21:47:25 +0800</pubDate><description><![CDATA[相关链接: 
Github地址 
简书地址 
优快云地址





致谢

感谢大家的阅读和支持, 欢迎大家上星..该博客的原始Github项目地址点击这里]]></description><category></category></item><item><title><![CDATA[简单线性回归——Day2]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82687507</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82687507</guid><author>u014630987</author><pubDate>Thu, 13 Sep 2018 14:25:58 +0800</pubDate><description><![CDATA[相关链接: 
Github地址 
简书地址 
优快云地址]]></description><category></category></item><item><title><![CDATA[数据预处理——Day 1]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82669796</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82669796</guid><author>u014630987</author><pubDate>Wed, 12 Sep 2018 22:40:52 +0800</pubDate><description><![CDATA[总所周知,对于机器学习任务,特别是对于深度学习任务,我们需要创建训练集,因此需要收集大量的数据.然而,在实际中,我们收集的数据极易受噪声、缺失值和数据不一致的影响。通常我们对数据进行如下几种预处理：


缺失值处理
异常值处理
冗余数据处理
数据标准化
数据离散化
数据向量化: 我自己总结的，主要针对文本数据。不知道算不算预处理，但这是文本数据的必须操作。


本文主要针对缺失值处理和数据向量化两...]]></description><category></category></item><item><title><![CDATA[机器学习100天序言]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82669779</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82669779</guid><author>u014630987</author><pubDate>Wed, 12 Sep 2018 22:39:45 +0800</pubDate><description><![CDATA[该系列博客是基于由Siraj Raval提出的100 Days of Machine Learning Coding.而该系列博客的目的是在学习该项目的同事丰富其内容，加入自己查阅的资料和自己的理解。该项目全部基于 Python 语言进行讲解

内容安排


第1天 数据集预处理
第2天 简单线性回归
第3天 多元线性回归
第4天 Logistic回归
第5天 Logistic回归
第6天 实现 ...]]></description><category></category></item><item><title><![CDATA[关于 onPause 和 onStop 的那些事]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/82056501</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/82056501</guid><author>u014630987</author><pubDate>Sat, 25 Aug 2018 23:21:22 +0800</pubDate><description><![CDATA[onPause 和 onStop 是 Android 管理 Activity 的两个生命周期，我们平时可能对这两个生命周期的关注不是很大，大部分都是在 onCreate  这个生命周。从 Android 的官方文档，我们可以发现，在我们的实际开发中，onPause 和 onStop 主要用来释放资源，但是他们也有一些区别，我们线看看官方文档的说命：


  When the system call...]]></description><category></category></item><item><title><![CDATA[最长回文子串(Longest Palindromic Substring)]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/79948604</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/79948604</guid><author>u014630987</author><pubDate>Sun, 15 Apr 2018 13:31:10 +0800</pubDate><description><![CDATA[Github地址 
简书地址 
优快云地址

问题描述

给定一个字符串 s，找出其中最长的回文子串，假设给定字符串的长度最大维 1000.

例如:

输入: &amp;quot;babad&amp;quot;
输出: &amp;quot;bab&amp;quot;
注意： “aba” 也是正确的解，有多个解返回其中一个即可



输入：&amp;quot;cbbd&amp;quot;
输出：&amp;quot;bb&amp;quot;

回文串是指一个字符串对称，从最左边和最右边分别往最中间遍历，各个]]></description><category></category></item><item><title><![CDATA[PyTorch:数据加载和预处理]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/79887062</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/79887062</guid><author>u014630987</author><pubDate>Tue, 10 Apr 2018 20:20:14 +0800</pubDate><description><![CDATA[Github地址 
简书地址 
优快云地址

此教程翻译自PyTorch官方教程

作者: Sasank Chilamkurthy

在解决任何机器学习问题上，在准备数据上会付出很大努力。PyTorch 提供了许多工具， 使数据加载变得简单，希望能使你的代码更具可读性。本教程中，我们将看到图和从一个不重要的数据集中加载和预处理/增强数据。

要运行本教程，请确保已安装一下软件包： 
1. sci...]]></description><category></category></item><item><title><![CDATA[用例子学习 PyTorch]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/79886956</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/79886956</guid><author>u014630987</author><pubDate>Tue, 10 Apr 2018 20:14:31 +0800</pubDate><description><![CDATA[Github地址 
简书地址 
优快云地址

此教程翻译自PyTorch官方教程

作者: Sasank Chilamkurthy

在解决任何机器学习问题上，在准备数据上会付出很大努力。PyTorch 提供了许多工具， 使数据加载变得简单，希望能使你的代码更具可读性。本教程中，我们将看到图和从一个不重要的数据集中加载和预处理/增强数据。

要运行本教程，请确保已安装一下软件包： 
1. sci...]]></description><category></category></item><item><title><![CDATA[Spring（一）—— 入门]]></title><link>https://blog.youkuaiyun.com/u014630987/article/details/79633131</link><guid>https://blog.youkuaiyun.com/u014630987/article/details/79633131</guid><author>u014630987</author><pubDate>Tue, 20 Mar 2018 22:32:30 +0800</pubDate><description><![CDATA[声明：本教程均在Spring4.0.4版本中实现

目前Java EE主流的轻量级开发框架有SSH(Struts+spring+Hibernate)和SSM(Spring+Sprng MVC+Mybatis),从中可以看出，无论是SSH还是SSM，Spring在Java开发中有着重要的作用。

Spring以IoC、AOP维主要思想，它是一个“一站式”框架，即在 Java EE的三层架构，即表现层...]]></description><category></category></item></channel></rss>