摘要：
前几天做拟合的时候就想着把之前所学的做一个总结和归纳，以前喜欢在印象笔记里面写自己的记录和感想，但是还是觉得拿出来更好，一方面可以与更多大牛交流，另一方面可以整理下所学所得，还能记录自己的成长。就目前来看，我要写的内容主要分为以下几个部分： 基础理论 经典图像处理算法 神经网络模型与实践 推荐算法 阅读全文
摘要：
这一部分内容和吴恩达老师的CS229前面的部分基本一致，不过那是很久之前看的了，我尽可能写的像吴恩达老师那样思路缜密。 1.假设 之前我们了解过最大似然估计就是最大化似然函数$$L(\theta) = \sum log(p(x_{i}|\theta))$$ 来确定参数\(\theta\)，假设我们独 阅读全文
摘要：
1.参数估计和非参数估计 前面提到随机变量的分布不是很明确时，我们需要先对随机变量的分布进行估计。有一种情况是我们知道变量分布的模型，但是具体分布的参数未知，我们通过确定这些未知参数就可以实现对变量的估计，这种方式就是参数估计。其中，比较基础且常见的参数估计方法有最大似然估计、最小二乘估计以及最大后 阅读全文
摘要：
其实这是我之前最想第一篇来写的随笔了，今天就先把这一部分写一写吧。 1.问题 一个医疗诊断问题有两个可选的假设：病人有癌症、病人无癌症可用数据来自化验结果：阴性和阳性。有先验知识：在所有人口中，患病率是0.008，对确实有病的患者的化验准确率为98%，对确实无病的患者的化验准确率为97% 。 问题： 阅读全文
摘要：
昨天涉及到了互信息基础上的发展，今天稍微说一下印象深刻的几个吧（毕竟发展出来的变种太多了啊）。 归一化互信息 $$NMI(A,B) = \frac{H(A)+H(B)}{H(A,B)}$$ 归一化互信息与互信息相比更平滑（有时间我补个图吧），归一化互信息降低了对重叠部分的敏感性（配准过程中，会出现H 阅读全文