<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Jackie_Zhu的专栏]]></title><description><![CDATA[我知道 有一个内在的我 不甘平庸 渴望自由 无所不能 我坚信 只要执着和努力 总有一天 一个真正辉煌的我会离我越来越近 让伤痕成为我的勋章 让世界的不公平 在我面前低头！]]></description><link>https://blog.youkuaiyun.com/usingnamespace_std</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; usingnamespace_std]]></copyright><item><title><![CDATA[Adaboost(Adaptive boosting)]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52450456</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52450456</guid><author>usingnamespace_std</author><pubDate>Thu, 22 Sep 2016 15:25:10 +0800</pubDate><description><![CDATA[Boosting算法的核心思想是，构造一堆diverse的弱分类器（准确率不为0.5），然后将这些构造好的弱分类器进行融合，达到一个强分类器的效果。Adaboost算法是Boosting ensemble里面的一种，]]></description><category></category></item><item><title><![CDATA[Ensemble Learning入门]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52331355</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52331355</guid><author>usingnamespace_std</author><pubDate>Fri, 26 Aug 2016 22:56:32 +0800</pubDate><description><![CDATA[在机器学习中，已经有了许许多多的模型，比如SVM，逻辑回归等等，这些算法有各自的优缺点，并且每种算法也可以产生非常多的不同的模型。如果把这些算法都结合起来，取其所长，或者说把一些比较弱的分类器结合起来形成一个强分类器（boosting），就可以得到更优的模型]]></description><category></category></item><item><title><![CDATA[逻辑回归（Logistic Regression）和SVM的联系以及Kernel]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52331047</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52331047</guid><author>usingnamespace_std</author><pubDate>Fri, 26 Aug 2016 19:48:50 +0800</pubDate><description><![CDATA[逻辑回归和SVM都是比较理想的分类器，但是各有优缺点，逻辑回归不仅可以得到具体的分类类别，还可以得到连续的概率值（因为逻辑回归实质上是回归）；SVM则可以利用kernel将特征投影到高维甚至无穷维来更好地拟合数据。这里我们来看一下逻辑回归和SVM之间有没有什么联系，以及能否将kernel应用到逻辑回归上，使得逻辑回归具备类似SVM的非线性分类特性。逻辑回归逻辑回归的假设是下面的一条S型曲线，值域是[]]></description><category></category></item><item><title><![CDATA[LSSVM(Least Squares SVM)与SVR(支持向量回归)]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52235125</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52235125</guid><author>usingnamespace_std</author><pubDate>Sat, 20 Aug 2016 16:33:39 +0800</pubDate><description><![CDATA[LSSVM（Least Square SVM）是将Kernel应用到ridge regression中的一种方法，它通过将所有样本用最小二乘误差进行拟合（这个拟合是在kernel变换过的高维空间），但是LSSVM的缺陷是计算复杂度大概是样本数的三次方量级，计算量非常大。为了解决这个问题于是提出了SVR（支持向量回归），SVR通过支持向量减小了LSSVM的计算复杂度，并且具备LSSVM的能够利用ke]]></description><category></category></item><item><title><![CDATA[为什么正则化（Regularization）可以减少过拟合风险]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52134592</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52134592</guid><author>usingnamespace_std</author><pubDate>Tue, 09 Aug 2016 00:56:48 +0800</pubDate><description><![CDATA[在解决实际问题的过程中，我们会倾向于用复杂的模型来拟合复杂的数据，但是使用复杂模型会产生过拟合的风险，而正则化就是常用的减少过拟合风险的工具之一。过拟合过拟合是指模型在训练集上误差很小，但是在测试集上表现很差(即泛化能力差)，过拟合的原因一般是由于数据中存在噪声或者用了过于复杂的模型拟合数据。如下图所示，下图中的训练样本是三次多项式加了点噪声得到的，然后用不同的多次项拟合，M代表最高次项次数，下面四]]></description><category></category></item><item><title><![CDATA[SVM(Support Vector Machine)读书笔记三(Soft-margin SVM)]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52097306</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/52097306</guid><author>usingnamespace_std</author><pubDate>Wed, 03 Aug 2016 23:14:12 +0800</pubDate><description><![CDATA[上两篇讲到了hard-margin的SVM以及kernel的原理，利用高斯kernel可以将低维空间转换到无穷维，将所有样本分开。但是如果数据中存在一定的噪声数据，SVM也会将噪声数据拟合，存在过拟合的风险。Soft-margin SVM原理就是让SVM能够容忍一定的噪声数据，以减少过拟合的风险。Hard-margin过拟合问题 
先看一下上面的相同数据集中的两个模型，左图中的模型能够容忍数据中存在]]></description><category></category></item><item><title><![CDATA[SVM(Support Vector Machine)读书笔记二（支持向量和Kernel方法）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/49949271</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/49949271</guid><author>usingnamespace_std</author><pubDate>Sun, 29 Nov 2015 14:17:44 +0800</pubDate><description><![CDATA[在一个线性不可分的样本中，用添加多次项特征可以将两类样本分开，具体原理请参考 这里，用SVM分类器也是同样道理。如果两类样本交叉越多，需要越高次的特征，模型就越复杂，这在存储上和计算资源上都是很大的开销。SVM用kernel方法就解决了这个问题，kernel方法是将高维度的计算放到低维度来做，最后得到的是高纬度上的模型。具体原理请看下面的推导。特征转换如果样本在低纬度空间不可分，那么可以将样本的特征]]></description><category></category></item><item><title><![CDATA[SVM(Support Vector Machine)读书笔记一（最佳分割超平面）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/49904331</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/49904331</guid><author>usingnamespace_std</author><pubDate>Wed, 18 Nov 2015 17:18:12 +0800</pubDate><description><![CDATA[分类问题中，在一个线性不可分的样本上，通常需要用到一些Non-linear的特征，把低维度空间上的样本投影到高维度上，从而使得这些样本在高维度线性可分。但这投影过程通常也会有以下两个问题：
1. 如果在原样本中加了太多的高次多项式的特征，首先会导致过拟合，模型的泛化能力会很差；2. 多项式组合会有指数级别的组合方式，这使得在投影后的样本空间中维度非常高，这也会消耗太多的计算资源和空间资源
SVM解决了上面两个问题]]></description><category></category></item><item><title><![CDATA[设计模式之-策略模式]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/46404599</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/46404599</guid><author>usingnamespace_std</author><pubDate>Sun, 07 Jun 2015 21:55:00 +0800</pubDate><description><![CDATA[问题描述实现游戏的不同角色某游戏中Queen,King,Knight这3种角色，每种角色都有使用武器行为（武器都是剑），设计这三个类，提高代码的重用性和可维护性。解决方案Queen,King,Knight这三个角色都是角色，都可以move，可以stop，因此可以设计一个Character抽象类，抽取三个角色的共同行为，减少代码的重复性，Character定义如下：public abstract cl]]></description><category></category></item><item><title><![CDATA[Best coder 2014-3-14题解]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/44264389</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/44264389</guid><author>usingnamespace_std</author><pubDate>Sat, 14 Mar 2015 23:40:00 +0800</pubDate><description><![CDATA[zhx's submissions  题目链接
	签到题，模拟大数加法，不用进位（要用char[]读入，string超时）
zhx's contest 题目链接      可以很快推导出公式为2^n -2, 这里由于n和mod都是在long long范围内，因此需要快速乘，但是也会导致long long * long long 溢出，因此将乘法改造成快速加。zhx and contest 题目]]></description><category></category></item><item><title><![CDATA[感知机学习算法的几何解释（perceptron learning algorithm）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/16989727</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/16989727</guid><author>usingnamespace_std</author><pubDate>Wed, 27 Nov 2013 18:08:58 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[21世纪初最有影响力的20篇计算机视觉期刊论文]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/16842855</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/16842855</guid><author>usingnamespace_std</author><pubDate>Wed, 20 Nov 2013 13:25:35 +0800</pubDate><description><![CDATA[选取论文的原则：

（1）期刊论文，主要来源于以下期刊：TPAMI，IJCV，TIP，CVIU，IVC，MVA，PR，JMIV，IJPRAI…

（2）发表在2000年以后

（3）SCI检索次数大于1000，来源于Web of Science数据库，2012年12月初的检索结果






Top 20 榜单如下：

[1] D. G. Lowe, “Distinc]]></description><category></category></item><item><title><![CDATA[推荐使用scikits.image 进行图像处理, 比较好用.]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/12782571</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/12782571</guid><author>usingnamespace_std</author><pubDate>Wed, 16 Oct 2013 16:24:15 +0800</pubDate><description><![CDATA[看了>后, 研究了一下图像处理, opencv很好, 但很不pythonic , PIL有点弱, 后来发现了这个 scikits.image ,
 pypi上得10分的图像处理库, 但安装过程很坎坷, 最后总算搞定, 想和大家分享.

scikits 是针对scipy写的一些toolkits,
 相当于matlab里的工具箱了, 开源社区真是强大啊! 
scikits.image 是其中]]></description><category></category></item><item><title><![CDATA[python 图像处理库模块（python Image Library）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/12782245</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/12782245</guid><author>usingnamespace_std</author><pubDate>Wed, 16 Oct 2013 16:07:36 +0800</pubDate><description><![CDATA[PIL下载地址：http://www.pythonware.com/products/pil/
python Image Libary中文参考手册地址：
 http://ch3n2k.com/wi/PythonImageLibrary%E4%B8%AD%E6%96%87%E6%89%8B%E5%86%8C
 
python Image Libary所有版本的文档地址：
http://ww]]></description><category></category></item><item><title><![CDATA[九度OJ  题目1534：数组中第K小的数字（二分解）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/11705211</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/11705211</guid><author>usingnamespace_std</author><pubDate>Sun, 15 Sep 2013 12:00:02 +0800</pubDate><description><![CDATA[题目链接：点击打开链接


题目描述：

给定两个整型数组A和B。我们将A和B中的元素两两相加可以得到数组C。
譬如A为[1,2]，B为[3,4].那么由A和B中的元素两两相加得到的数组C为[4,5,5,6]。
现在给你数组A和B，求由A和B两两相加得到的数组C中，第K小的数字。




输入：

输入可能包含多个测试案例。
对于每个测试案例，输入的第一行为三个整数m]]></description><category></category></item><item><title><![CDATA[九度OJ 题目1532：棋盘寻宝扩展（动态规划）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10416395</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10416395</guid><author>usingnamespace_std</author><pubDate>Tue, 27 Aug 2013 20:49:28 +0800</pubDate><description><![CDATA[题目链接：http://ac.jobdu.com/problem.php?pid=1532
现在有一个8*8的棋盘，上面放着64个不同价值的礼物，每个小的棋盘上面放置一个礼物（礼物的价值大于0小于100），一个人初始位置在棋盘的左上角，每次他只能向下或向右移动一步，并拿走对应棋盘上的礼物，结束位置在棋盘的右下角。从棋盘的左上角移动到右下角的时候的，每次他只能向下或向右移动一步，并拿走对应棋盘上的]]></description><category></category></item><item><title><![CDATA[mysql 时间转换函数的用法]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10377901</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10377901</guid><author>usingnamespace_std</author><pubDate>Tue, 27 Aug 2013 10:32:51 +0800</pubDate><description><![CDATA[mysql 时间转换函数的用法2007-10-31 15:03DAYOFWEEK(date)  
返回日期date的星期索引(1=星期天，2=星期一, ……7=星期六)。这些索引值对应于ODBC标准。  
mysql> select DAYOFWEEK(2007-10-31);  
-> 4
WEEKDAY(date)  
返回date的星期索引(0=星期一，1=星期二, ……6= 星期]]></description><category></category></item><item><title><![CDATA[PKU 1064 Cable master]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10182781</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/10182781</guid><author>usingnamespace_std</author><pubDate>Thu, 22 Aug 2013 15:12:23 +0800</pubDate><description><![CDATA[题目链接：点击打开链接

有n段绳子，给定n段绳子的长度，单位为厘米。求能够把这些绳子分成k段的最长的段的长度。题目中的trick是最小是1cm，长度不能小于1cm，因此要转换成int来解，然后二分可以截得的绳子的长度。

#include 
#include 
#include 
using namespace std;
#define INF 100000000
int l[10009]]></description><category></category></item><item><title><![CDATA[R语言的graphics功能（画图）]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/9949713</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/9949713</guid><author>usingnamespace_std</author><pubDate>Tue, 13 Aug 2013 16:08:09 +0800</pubDate><description><![CDATA[找了好久，终于找到了画各种统计图的画图工具，那就是R，本文主要介绍R中的各种图形绘制方法。R中有非常强大的绘图功能，本文也不能一一列举，如果想要具体了解，可在R中输入demo(graphic)或者demo(persp)查看。绘图函数需要将图输出到绘图设备上，绘图设备的形式有很多种，可以是窗口，可以是写入一个jpeg、bmp、tiff等图片文件格式，具体可用help(device)查看。]]></description><category></category></item><item><title><![CDATA[python 机器学习类库]]></title><link>https://blog.youkuaiyun.com/usingnamespace_std/article/details/9949371</link><guid>https://blog.youkuaiyun.com/usingnamespace_std/article/details/9949371</guid><author>usingnamespace_std</author><pubDate>Tue, 13 Aug 2013 15:40:18 +0800</pubDate><description><![CDATA[链接地址：  点击打开链接



有空的时候再学习]]></description><category></category></item></channel></rss>