2016年4月21日
vs2013 error c4996: 'fopen': This function or varia
摘要： 做opencv练习时，使用vs2013遇到如下错误： ​错误1error C4996: 'fopen': This function or variable may be unsafe. Consider using fopen_s instead. 解决方案，项目 =》属性 =》c/c++ =》预 阅读全文
posted @ 2016-04-21 00:07 阿玛尼迪迪 阅读(292) 评论(0) 推荐(0) 编辑
VS2013+opencv2.4.9(10)配置
摘要： 1、 下载opencv2.4.9，然后解压到一个位置 设置opencv SDK解压目录，点击Extract后解压 设置opencv SDK解压目录，点击Extract后解压 我是习惯于解压到这个位置的。 解压过程如上图。 2、 文件目录介绍 解压后会在目录下生成opencv的文件夹 在opencv文 阅读全文
posted @ 2016-04-21 00:04 阿玛尼迪迪 阅读(236) 评论(0) 推荐(0) 编辑
BP神经网络模型与学习算法
摘要： 一，什么是BP "BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学 阅读全文
posted @ 2016-04-21 00:00 阿玛尼迪迪 阅读(1253) 评论(0) 推荐(0) 编辑
2016年4月20日
支持向量机（SVM）简介
摘要： 主要内容 一：SVM简介 二：线性分类 三：分类间隔 四：核函数 五：松弛变量 SVM简介 支持向量机（support vector Machine）是由Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学 阅读全文
posted @ 2016-04-20 23:59 阿玛尼迪迪 阅读(2030) 评论(0) 推荐(0) 编辑
Stanford大学机器学习公开课（六）：朴素贝叶斯多项式模型、神经网络、SVM初步
摘要： （一）朴素贝叶斯多项式事件模型 在上篇笔记中，那个最基本的NB模型被称为多元伯努利事件模型（Multivariate Bernoulli Event Model，以下简称 NB-MBEM）。该模型有多种扩展，一种是在上一篇笔记中已经提到的每个分量的多值化，即将p(xi|y)由伯努利分布扩展到多项式分 阅读全文
posted @ 2016-04-20 23:57 阿玛尼迪迪 阅读(1001) 评论(0) 推荐(1) 编辑
Stanford大学机器学习公开课（五）：生成学习算法、高斯判别、朴素贝叶斯
摘要： （一）生成学习算法 在线性回归和Logistic回归这种类型的学习算法中我们探讨的模型都是p(y|x;θ)，即给定x的情况探讨y的条件概率分布。如二分类问题，不管是感知器算法还是逻辑回归算法，都是在解空间中寻找一条直线从而把两种类别的样例分开，对于新的样例，只要判断在直线的哪一侧即可；这种直接对问题 阅读全文
posted @ 2016-04-20 23:55 阿玛尼迪迪 阅读(931) 评论(0) 推荐(1) 编辑
Stanford大学机器学习公开课（四）：牛顿法、指数分布族、广义线性模型
摘要： （一）牛顿法解最大似然估计 牛顿方法（Newton's Method）与梯度下降（Gradient Descent）方法的功能一样，都是对解空间进行搜索的方法。其基本思想如下： 对于一个函数f(x)，如果我们要求函数值为0时的x，如图所示： 我们先随机选一个点，然后求出该点的切线，即导数，延长它使之 阅读全文
posted @ 2016-04-20 23:53 阿玛尼迪迪 阅读(1156) 评论(0) 推荐(0) 编辑
Stanford大学机器学习公开课（三）：局部加权回归、最小二乘的概率解释、逻辑回归、感知器算法
摘要： （一）局部加权回归 通常情况下的线性拟合不能很好地预测所有的值，因为它容易导致欠拟合（under fitting）。如下图的左图。而多项式拟合能拟合所有数据，但是在预测新样本的时候又会变得很糟糕，因为它导致数据的 过拟合（overfitting），不符合数据真实的模型。如下图的右图。 下面来讲一种非 阅读全文
posted @ 2016-04-20 23:51 阿玛尼迪迪 阅读(723) 评论(0) 推荐(0) 编辑
Stanford大学机器学习公开课（二）：监督学习应用与梯度下降
摘要： 本课内容： 1、线性回归 2、梯度下降 3、正规方程组 监督学习：告诉算法每个样本的正确答案，学习后的算法对新的输入也能输入正确的答案 1、线性回归 问题引入：假设有一房屋销售的数据如下： 引入通用符号： m =训练样本数 x =输入变量（特征） y =输出变量（目标变量） (x,y)—一个样本 i 阅读全文
posted @ 2016-04-20 23:45 阿玛尼迪迪 阅读(497) 评论(0) 推荐(0) 编辑
决策树之ID3算法
该文被密码保护。 阅读全文
posted @ 2016-04-20 18:57 阿玛尼迪迪 阅读(3) 评论(0) 推荐(0) 编辑