xywlpo的专栏

总觉得即使是“浅谈”两个字，还是让这个标题有些过大了，更何况我自己也才刚刚接触这么一个领域。不过懒得想其他标题了，想起来要扯一下这个话题，也是因为和朋友聊起我自己最近在做的方向。Manifold Learning 或者仅仅 Manifold 本身通常就听起来颇有些深奥的感觉，不过如果并不是想要进行严格的理论推导的话，也可以从许多直观的例子得到一些感性的认识，正好我也就借这个机会来简单地谈一下这个话题吧，或者说至少是我到目前为止对这它的认识。这两个词，在谈 Manifold 之前，不妨先说说 Learning

介绍（introduction）通常我们总是对寻找某一段时间上的模式感兴趣，这些模式可能出现在很多领域：一个人在使用电脑的时候使用的命令的序列模式；一句话中的单词的序列；口语中的音素序列。总之能产生一系列事件的地方都能产生有用的模式。考虑一个最简单的情况：有人(柯南？)试

Kernel FunctionsBelow is a list of some kernel functions available from the existing literature. As was the case with previous articles, e

前向算法(Forward Algorithm) 一、如果计算一个可观察序列的概率？   1.穷举搜索 加入给定一个HMM，也就是说(,A,B)这个三元组已知，我们想计算出某个可观察序列的概率。考虑天气的例子，我们知道一个描述天气和海藻状态的HMM，而且我们还有

隐马尔科夫模型（Hidden Markov Models） 定义隐马尔科夫模型可以用一个三元组(π,A,B)来定义:π 表示初始状态概率的向量A =（aij）（隐藏状态的）转移矩阵 P（Xit|Xj（t-1）） t-1时刻是j而t时刻是i的概率B =（

维特比算法(Viterbi Algorithm) 找到可能性最大的隐藏序列通常我们都有一个特定的HMM，然后根据一个可观察序列去找到最可能生成这个可观察序列的隐藏序列。 1.穷举搜索我们可以在下图中看到每个状态和观察的关系。通过计算所有可能的隐藏序

    VC维是用来度量学习机的学习能力及其复杂度的量。    假设我们有一个数据集，包含N个点，那么这N个点可以用2^N种方法标记为正例和负例。因此对于这N个数据点，可以定义2^N种不同的学习问题。如果对于这些问题中的任何一个，我们都能够找到一个假设h属于H，将正负例子分开，那么我们就称H散列N个点，也就是说，可以用N个点定义的任何的学习问题都能够用一个从中抽取的假设无误差的学习。可以被散列

Weka简介：http://www.wekacn.org/viewtopic.php?f=2&t=9&sid=091d5c33af94a62a547fa016d65659ecWeka的GUI使用方法 1、WEKA主界面 2、点击“Explorer”进入  3、点击“Open file”，打开WEKA格式支持的文件(默认安装时的文件在安装路

Weka是个口碑很好的machine learning工具，可怜我这土鳖以前都没用过。Weka还是很intuitive的，直接给你GUI，随便你选算法，直接帮你做cross validation，还帮你画图，你还想怎样？Weka官网还出了一本叫做Data Mining Practical Machine Learning Tools and Techniques的书，有机会想拜读一下呢

隐含模式（Hidden Patterns） 当马尔科夫过程不够强大的时候，我们又该怎么办呢？在某些情况下马尔科夫过程不足以描述我们希望发现的模式。回到之前那个天气的例子，一个隐居的人可能不能直观的观察到天气的情况，但是有一些海藻。民间的传说告诉我们海藻的状态在某种概率