摘要：
Cracking the coding interview--Q2.4December 16, 2012 作者：Hawstein 出处：http://hawstein.com/posts/2.4.html 声明：本文采用以下协议进行授权： 自由转载-非商用-非衍生-保持署名|Creative Commons BY-NC-ND 3.0 ，转载请注明作者及出处。题目原文：You have two numbers represented by a linked list, where each nodecontains a single digit. The digits are stored .. 阅读全文
随笔档案-2013年07月
Cracking the coding interview--Q2.2
2013-07-30 14:45 by Loull, 269 阅读, 收藏, 编辑
摘要：
题目原文：Implement an algorithm to find the nth to last element of a singly linked list.译文：实现一个算法从一个单链表中返回倒数第n个元素。解答这道题的考点在于我们怎么在一个单链表中找到倒数第n个元素？ 由于是单链表，所以我们没办法从最后一个元素数起，然后数n个得到答案。 但这种最直观的思路显然是没错的，那我们有没有办法通过别的方式，从最后的元素数起数 n个来得到我们想要的答案呢。这个次序颠倒的思路可以让我们联想到一种数据结构：栈。我们如果遍历一遍单链表，将其中的元素压栈，然后再将元素一一出栈。那么， 第n个出栈的 阅读全文
Cracking the coding interview--Q2.1
2013-07-30 14:23 by Loull, 248 阅读, 收藏, 编辑
摘要：
题目原文：Write code to remove duplicates from an unsorted linked list.FOLLOW UPHow would you solve this problem if a temporary buffer is not allowed?译文：从一个未排序的链表中移除重复的项进一步地，如果不允许使用临时的缓存，你如何解决这个问题？解答如果可以使用额外的存储空间，我们就开一个数组来保存一个元素的出现情况。 对于这种情况，最好的解决方法当然是使用哈希表，但令人非常不爽的是C++标准里是没有 哈希表的(java里有)。网上有人用ext下的hash_ 阅读全文
MapReduce:详解Shuffle过程
2013-07-29 20:37 by Loull, 334 阅读, 收藏, 编辑
摘要：
Shuffle过程是MapReduce的核心，也被称为奇迹发生的地方。要想理解MapReduce， Shuffle是必须要了解的。我看过很多相关的资料，但每次看完都云里雾里的绕着，很难理清大致的逻辑，反而越搅越混。前段时间在做MapReduce job 性能调优的工作，需要深入代码研究MapReduce的运行机制，这才对Shuffle探了个究竟。考虑到之前我在看相关资料而看不懂时很恼火，所以在这 里我尽最大的可能试着把Shuffle说清楚，让每一位想了解它原理的朋友都能有所收获。如果你对这篇文章有任何疑问或建议请留言到后面，谢谢！ Shuffle的正常意思是洗牌或弄乱，可能大家更熟悉的是J.. 阅读全文
R语言编程
2013-07-22 16:46 by Loull, 763 阅读, 收藏, 编辑
摘要：
R中的帮助文档非常有用，其中有四种类型的帮助help（functionname） 对已经加载包所含的函数显示其帮助文档，用?号也是一样的。help.search('keyword') 对已经安装的包搜索关键词，用??号功能一样。help(package='packagename') 显示已经安装的包的描述和函数说明RSiteSearch('keyword') 在官方网站上联网搜索R语言的启动R语言启动后会首先查找有无.Rprofile文档，用户可通过编辑.Rprofile文档来自定义R启动环境，该文件可放在工作目录或安装目录中。之后R会查找在工作 阅读全文
R语言基本语法
2013-07-22 14:23 by Loull, 4110 阅读, 收藏, 编辑
摘要：
R语言基本语法基本数据类型数据类型向量 vector矩阵 matrix数组 array数据框 data frame因子 factor列表 list向量单个数值（标量）没有单独的数据类型，它只不过是向量的一种特例向量的元素必须属于某种模式（mode），可以整型（integer）、数值型（numeric）、字符型（character）、逻辑型（logical）、复数型（complex）循环补齐（recycle）：在一定情况下自动延长向量筛选：提取向量子集向量化：对向量的每一个元素应用函数使用seq()创建向量使用rep()重复向量常数矩阵矩阵（matrix）是一种特殊的向量，包含两个附加的属性：行 阅读全文
R语言学习笔记
2013-07-22 14:21 by Loull, 982 阅读, 收藏, 编辑
摘要：
R的源起R是S语言的一种实现。S语言是由 AT&T贝尔实验室开发的一种用来进行数据探索、统计分析、作图的解释型语言。最初S语言的实现版本主要是S-PLUS。S-PLUS是一个商业 软件，它基于S语言，并由MathSoft公司的统计科学部进一步完善。后来Auckland大学的Robert Gentleman 和 Ross Ihaka 及其他志愿人员开发了一个R系统。R的使用与S-PLUS有很多类似之处，两个软件有一定的兼容性。一 入门训练1. 获取帮助 > help.start() 开启帮助文档 >help(solve) 显示某命令的帮助信息，或者 >?solve 对于 阅读全文
读《人工智能的未来》
2013-07-16 17:13 by Loull, 469 阅读, 收藏, 编辑
摘要：
《人工智能的未来》的作者是Jeff Hawkins，也就是著名的PalmPilot掌上电脑和Treo智能电话的发明人，这牛人从小就对人工智能充满兴趣并孜孜追求，哪怕从事软件业也是为 了自己的理想。就书的内容来说，很有意思。作者先批判了传统的人工智能的发展方向，并且断定传统的人工智能永远没办法造出能够与人脑相媲美的智能机器。因 为想要真正地了解智能是什么，只有去研究人脑的智能，而不能单纯地依靠程序和数学。 接下来，Jeff Hawkins系统地探讨了自己对于新大脑皮层的理论，也就是他所宣称的智能理论。所谓智能，其实就是新大脑皮层基于记忆-预测系统的系统体系。新大脑皮层由层次性的神经元组成，由人. 阅读全文
人工智能的未来--分级时序记忆模型初探
2013-07-16 17:03 by Loull, 647 阅读, 收藏, 编辑
摘要：
什么是智能？ 从图灵测试开始或者更早，人们普遍认为智能机器就是具有人类行为的机器。传统的人工智能也是向这个方向，即认为能做到人做的事情，就是智能。这正像我们平时的习惯，评价一个人会依据他的行为，而不是思想：一个人聪明，是因为做了聪明的事情。但是现在人们碰到了一些麻烦，电脑可以识别出超速的车牌号，却认不出入室盗窃的小偷；机器翻译可以将中英文词组互相翻译，但是碰到一整个句子就昏头昏脑胡言乱语了。 正像老霍说的，如果用人的行为来评定智能的话，那人躺着，什么都不做的时候是不是有智能的？显然是有的，我们可以做白日梦，规划安排行程，思考什么是智 能。虽然别人看不出来我们有智能的行为。显然，智能是人的内在. 阅读全文
Cracking the coding interview--Q1.8
2013-07-15 17:20 by Loull, 293 阅读, 收藏, 编辑
摘要：
题目原文：Assume you have a method isSubstring which checks if one word is a substring of another. Given two strings, s1 and s2, write code to check if s2 is a rotation of s1 using only one call to isSubstring ( i.e., “waterbottle” is a rotation of “erbottlewat”).译文：假设你有一个isSubstring函数，可以检测一个字符串是否是另一个字符串 阅读全文
Cracking the coding interview--Q1.7
2013-07-15 17:06 by Loull, 211 阅读, 收藏, 编辑
摘要：
题目原文：Write an algorithm such that if an element in an MxN matrix is 0, its entire row and column is set to 0.译文：写一个函数处理一个MxN的矩阵，如果矩阵中某个元素为0，那么把它所在的行和列都置为0.解答简单题。遍历一次矩阵，当遇到元素等于0时，记录下这个元素对应的行和列。 可以开一个行数组row和列数组col，当元素a[i][j]等于0时， 就把row[i]和col[j]置为true。第二次遍历矩阵时，当某个元素对应的行row[i] 或列col[j]被设置为true，说明该元素在需要 阅读全文
Cracking the coding interview--Q1.6
2013-07-15 16:28 by Loull, 215 阅读, 收藏, 编辑
摘要：
题目原文：Given an image represented by an NxN matrix, where each pixel in the image is 4 bytes, write a method to rotate the image by 90 degrees. Can you do this in place?译文：一张图像表示成NxN的矩阵，图像中每个像素是4个字节，写一个函数把图像旋转90度。 你能原地进行操作吗？(即不开辟额外的存储空间)解答我们假设要将图像逆时针旋转90度，顺时针是一个道理。如果原图如下所示：1 2 3 4 5 6 7 8 9 10 11 12 1 阅读全文
Cracking the coding interview--Q1.4
2013-07-15 11:14 by Loull, 227 阅读, 收藏, 编辑
摘要：
题目原文：Write a method to decide if two strings are anagrams or not.译文：写一个函数判断两个字符串是否是变位词。解答变位词(anagrams)指的是组成两个单词的字符相同，但位置不同的单词。比如说， abbcd和abcdb就是一对变位词。该题目有两种做法：O(nlogn)的解法由于组成变位词的字符是一模一样的，所以按照字典序排序后，两个字符串也就相等了。 因此我们可以用O(nlogn)的时间去排序，然后用O(n)的时间比较它们是否相等即可。代码如下： public static boolean isAnagraml(Strin... 阅读全文
Cracking the coding interview--Q1.3
2013-07-15 10:48 by Loull, 199 阅读, 收藏, 编辑
摘要：
题目原文：Design an algorithm and write code to remove the duplicate characters in a string without using any additional buffer. NOTE: One or two additional variables are fine. An extra copy of the array is not.FOLLOW UPWrite the test cases for this method.译文：设计算法并写出代码移除字符串中重复的字符，不能使用额外的缓存空间。注意： 可以使用额外的一 阅读全文
Cracking the coding interview--Q1.2
2013-07-11 17:02 by Loull, 263 阅读, 收藏, 编辑
摘要：
题目原文：Write code to reverse a C-Style String. (C-String means that “abcd” is represented as five characters, including the null character.)译文：写代码翻转一个C风格的字符串。(C风格的意思是"abcd"需要用5个字符来表示，包含末尾的 结束字符)解答这道题如果就是要考察你有没有注意到C风格字符串最后的那个结束符，那我觉得还是像书 上写的那样，在代码中有所体现。代码如下：java：package cha1;public class A002 阅读全文
数据之魅（1）单一变量：形状和分布
2013-07-11 11:26 by Loull, 666 阅读, 收藏, 编辑
摘要：
一、分布 关注分布的总体形状，关注要点： 数据分布 最值 数据集是大是小 是否有聚类 极异常数据 不寻常或显著的特征：空白段、锐减、异常值等 二、数据点和抖动图jitter plot 抖动jittering 用透明的开环作为数据点的符号 三、直方图histogram和核密度估计KDE 直方图不能很优雅地处理一些异常点 形成一个KDE就相当于对数据集的核函数做一次卷... 阅读全文
(2)R中的数据类型和数据结构
2013-07-09 23:56 by Loull, 459 阅读, 收藏, 编辑
摘要：
R中的数据结构主要面向《线性代数》中的一些概念，如向量、矩阵等。值得注意的是，R中其实没有简单数据（数值型、逻辑型、字符型等），对于简单类型会自动看做长度为1的向量。比如：> b=5> length(b)[1] 1> typeof(b)[1] "double"> mode(b)[1] "numeric"R中最重要的数据结构是向量(vector)和矩阵(matrix)。向量由一系列类型相同的有序元素构成；矩阵是数组(array)的一个特例：维数为2的数组；而数组又是增加了维度（dim)属性的向量。除此之外，列表（list）和数据框（ 阅读全文
(1)R介绍
2013-07-09 23:36 by Loull, 1827 阅读, 收藏, 编辑
摘要：
1. R初窥从CRAN（The Comprehensive R Archive Network）cran.r-project.org—mirrors.html中选择一个镜像，然后下载合适的安装包（R支持Linux、Mac OS X和Windows）。在R的控制台输入如下命令： > install.packages('quantmod') # 安装quantmod包> require(quantmod) #引用quantmod包> getSymbols("GOOG",src="yahoo",from="2013- 阅读全文
Cracking the coding interview--Q1.1
2013-07-09 13:58 by Loull, 256 阅读, 收藏, 编辑
摘要：
出处：http://hawstein.com/posts/1.1.html 声明：本文采用以下协议进行授权： 自由转载-非商用-非衍生-保持署名|Creative Commons BY-NC-ND 3.0 ，转载请注明作者及出处。题目原文：Implement an algorithm to determine if a string has all unique characters.What if you can not use additional data structures?译文：实现一个算法来判断一个字符串中的字符是否唯一(即没有重复).不能使用额外的数据结构。(即只使用基本的数. 阅读全文
JOJ1202。重新操刀ACM，一天一练！做个简单的题目温习。
2013-07-08 22:50 by Loull, 433 阅读, 收藏, 编辑
摘要：
http://ac.jobdu.com/problem.php?pid=1202题目描述： 对输入的n个数进行排序并输出。输入： 输入的第一行包括一个整数n(1#include #include using namespace std;int main(){ freopen("in.txt","r",stdin); int n; while(scanf("%d", &n)!=EOF && n) { int a[102]; for (int i=0; i list = new ArrayList(); for ( 阅读全文
遮天
2013-07-08 21:20 by Loull, 351 阅读, 收藏, 编辑
摘要：
安妙依，来世，信则有，不信则无，岁月悠悠，世间终会出现两朵相同的花，千百年的回眸，一花凋零，一花绽。 超尘脱俗、飘逸出尘的华云飞、摇光，注定的命运，无奈而无法解脱的人生。 虚空大帝，一生不弱于人，一生都在平黑暗动乱，最终血染星空，半面残镜葬虚空。 绝代神王姜太虚，神城激战，抱着冰冷的红颜一个人孤独的远去，瑶池万族大会再归来，震慑万族，白衣染血，绝世琴音动天。 无始大帝，仙路尽头谁为峰，一见无始道成空！ 狠人大帝，不为成仙，只为在这红尘中等你回来。 还有萌萌的小松鼠，可爱的小囡囡，贪婪的黑皇，无耻的段德，也有小酒窝呈现、小虎牙闪亮的姬紫月…… 太多了，老疯子，人魔，以及大喊着谁... 阅读全文
神墓
2013-07-08 20:51 by Loull, 1476 阅读, 收藏, 编辑
摘要：
神墓赞歌何处飘来的风惊醒万年的梦几数借来星辰寥落千里长空雨馨落日嫣红云花睡月帘几重怎奈白棠遍青冢明烛长醉水长东伊人花逝 如此忧伤凭空泪 何处藏潮记朝夕 花开彼岸今我此誓 坚强潜龙战舞 凤翎天路如意曲闻 流年倾顾封侯拜将 神魔无数地狱天堂 战天何处百花灭阵送天开古老情怀太上道 忘情败故人曾来日月歌 天地外将神墓 掩埋墨香·神墓祭万年梦 醒清风 欲寻旧迹已尘封挽长弓 屠云龙 逆天斩神风转玄功 太极中 困龙阙破开鸿蒙探绝路 虚天破 前尘遇神龙天下壮志几多仗剑战丰都 是当年旧梦未醒今生再相逢望穿山河云端大漠八绝七星殁 傲世绝代风华展名声动云山深处乱世几恩仇 自山崖坠忘忧愁却无意执手地幽处尽头 阅读全文
【转】卷积神经网络
2013-07-08 15:22 by Loull, 1267 阅读, 收藏, 编辑
摘要：
http://blog.csdn.net/celerychen2009/article/details/8973218深度神经网路已经在语音识别，图像识别等领域取得前所未有的成功。本人在多年之前也曾接触过神经网络。本系列文章主要记录自己对深度神经网络的一些学习心得。 第二篇，讲讲经典的卷积神经网络。我不打算详细描述卷积神经网络的生物学运行机理，因为网络上有太多的教程可以参考。这里，主要描述其数学上的计算过程，也就是如何自己编程去实现的问题。1. 概述 回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的。这样设想一下，如果BP网络中层与层之间的... 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（八）
2013-07-08 15:20 by Loull, 434 阅读, 收藏, 编辑
摘要：
十、总结与展望1）Deep learning总结 深度学习是关于自动学习要建模的数据的潜在（隐含）分布的多层（复杂）表达的算法。换句话来说，深度学习算法自动的提取分类需要的低层次或者高层次特征。 高层次特征，一是指该特征可以分级（层次）地依赖其他特征，例如：对于机器视觉，深度学习算法从原始图像去学习得到它的一个低层次表达，例如边缘检测器， 小波滤波器等，然后在这些低层次表达的基础上再建立表达，例如这些低层次表达的线性或者非线性组合，然后重复这个过程，最后得到一个高层次的表达。 Deep learning能够得到更好地表示数据的feature，同时由于模型的层次、参数很多，capacity足够， 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（七）
2013-07-08 15:18 by Loull, 695 阅读, 收藏, 编辑
摘要：
9.5、Convolutional Neural Networks卷积神经网络 卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂 度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过 程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。 CNNs是受早期的延时神经网络（TDNN）的影响。延时神经网络通过在时间维度上共享权值降低学习复杂度， 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（六）
2013-07-08 15:17 by Loull, 452 阅读, 收藏, 编辑
摘要：
9.3、Restricted Boltzmann Machine (RBM)限制波尔兹曼机 假设有一个二部图，每一层的节点之间没有链接，一层是可视层，即输入数据层（v)，一层是隐藏层(h)，如果假设所有的节点都是随机二值变量节点（只能 取0或者1值），同时假设全概率分布p(v,h)满足Boltzmann 分布，我们称这个模型是Restricted BoltzmannMachine (RBM)。 下面我们来看看为什么它是Deep Learning方法。首先，这个模型因为是二部图，所以在已知v的情况下，所有的隐藏节点之间是条件独立的（因为节点之间不存在连接），即p(h|v)=p(h1|v)... 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（五）
2013-07-08 14:58 by Loull, 297 阅读, 收藏, 编辑
摘要：
9.2、Sparse Coding稀疏编码 如果我们把输出必须和输入相等的限制放松，同时利用线性代数中基的概念，即O = a1*Φ1 + a2*Φ2+….+ an*Φn， Φi是基，ai是系数，我们可以得到这样一个优化问题：Min |I – O|，其中I表示输入，O表示输出。通过求解这个最优化式子，我们可以求得系数ai和基Φi，这些系数和基就是输入的另外一种近似表达。因此，它们可以用来表达输入I，这个过程也是自动学习得到的。如果我们在上述式子上加上L1的Regularity限制，得到：Min |I – O| + u*(|a1| + |a2| + … + |an |) 这种方法被称为Sparse 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（四）
2013-07-08 14:57 by Loull, 356 阅读, 收藏, 编辑
摘要：
九、Deep Learning的常用模型或者方法9.1、AutoEncoder自动编码器 Deep Learning最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出 与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编 码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信 息的主要成分。 具体过程简单的说明如下：1）给定无标签数据，用 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（三）
2013-07-08 14:55 by Loull, 389 阅读, 收藏, 编辑
摘要：
好了，到了这一步，终于可以聊到Deep learning了。上面我们聊到为什么会有Deep learning（让机器自动学习良好的特征，而免去人工选取过程。还有参考人的分层视觉处理系统），我们得到一个结论就是Deep learning需要多层来获得更抽象的特征表达。那么多少层才合适呢？用什么架构来建模呢？怎么进行非监督训练呢？五、Deep Learning的基本思想 假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（二）
2013-07-08 14:54 by Loull, 324 阅读, 收藏, 编辑
摘要：
因为我们要学习的是特征的表达，那么关于特征，或者说关于这个层级特征，我们需要了解地更深入点。所以在说Deep Learning之前，我们有必要再啰嗦下特征（呵呵，实际上是看到那么好的对特征的解释，不放在这里有点可惜，所以就塞到这了）。四、关于特征 特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。如果数据被很好的表达成了特征，通常线性模型就能达到满意的精度。那对于特征，我们需要考虑什么呢？4.1、特征表示的粒度 学习算法在一个什么粒度上的特征表示，才有能发挥作用？就一个图片来说，像素级的特征根本没有价值。例如下面的摩托车，从像素级别，根本得不到任何信息， 其无法进行摩托车和非摩托车的. 阅读全文
【转】Deep Learning（深度学习）学习笔记整理系列之（一）
2013-07-08 14:53 by Loull, 473 阅读, 收藏, 编辑
摘要：
Deep Learning（深度学习）学习笔记整理系列zouxy09@qq.comhttp://blog.csdn.net/zouxy09作者：Zouxyversion 1.0 2013-04-08声明：1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。3）本人才疏学浅，整理总结的时候难免出错，还望各位前辈不吝指正，谢谢。4）阅读本文需要机器学习、计算机视觉、神经网 阅读全文
Deep Learning(5)
2013-07-04 22:59 by Loull, 638 阅读, 收藏, 编辑
摘要：
五、应用实例1、计算机视觉。ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012. Learning Hierarchical Features for Scene Labeling, Clement Farabet, Camille Couprie, Laurent Najman and Yann LeCun, IEEE Transactions on Pattern Analysis and 阅读全文
Deep Learning(4)
2013-07-04 22:58 by Loull, 309 阅读, 收藏, 编辑
摘要：
四、拓展学习推荐 Deep Learning 经典阅读材料： The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009). The ICML 2009 Workshop on Learning Fea... 阅读全文
Deep Learning(3)算法简介
2013-07-04 22:57 by Loull, 438 阅读, 收藏, 编辑
摘要：
查看最新论文 Yoshua Bengio, Learning Deep Architectures for AI, Foundations and Trends in Machine Learning, 2(1), 2009 深度(Depth) 从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本... 阅读全文
Deep Learning(2)
2013-07-04 22:43 by Loull, 317 阅读, 收藏, 编辑
摘要：
二、Deep Learning的基本思想和方法实际生活中，人们为了解决一个问题，如对象的分类（对象可是是文档、图像等），首先必须做的事情是如何来表达一个对象，即必须抽取一些特征来表示一个对象，如文本的处理中，常常用词集合来表示一个文档，或把文档表示在向量空间中（称为VSM模型），然后才能提出不同的分类算法来进行分类；又如在图像处理中，我们可以用像素集合来表示一个图像，后来人们提出了新的特征表示，如SIFT，这种特征在很多图像处理的应用中表现非常良好，特征选取得好坏对最终结果的影响非常巨大。因此，选取什么特征对于解决一个实际问题非常的重要。然而，手工地选取特征是一件非常费力、启发式的方法，能不能 阅读全文
Deep Learning(1)
2013-07-04 22:33 by Loull, 370 阅读, 收藏, 编辑
摘要：
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数 阅读全文
