摘要：
一，本文将基于“独立重复试验 抛硬币”来解释贝叶斯理论中的先验概率、似然函数和后验概率的一些基础知识以及它们之间的关系。 本文是《A First Course of Machine Learning》的第三章的学习笔记，在使用贝叶斯方法构造模型并用它进行预测时，总体思路是：在已知的先验知识(先验概率 阅读全文
摘要：
在 使用最大似然法来求解线性模型（3）-求解似然函数 文章中，我们让 logL 对 w 求一阶偏导数，让偏导数等于0，解出 w，这个 w 就是使logL取最大值的w 那为什么令一阶偏导数等于0，求得的w就能够使 logL 取最大值呢？ 在高等数学中，对于一元可导函数f(x)而言，一阶导数f′(x)= 阅读全文
摘要：
根据 使用最大似然法来求解线性模型（2）-为什么是最大化似然函数？ 中提到，某个随机变量tn的 条件概率 服从均值为wT*xn，方差为σ2的正态分布。 现在假设有N个样本点，它们的联合概率密度为： 由于在给定了w和σ2的条件下，tn之间是相互独立的。即：在给定的 w，σ2的条件下，t1 t2 ... 阅读全文
摘要：
根据 使用最大似然法来求解线性模型（1），待求解的线性模型如下式： tn=wT*xn+ξn 第xn年的百米赛跑的时间tn，与两个参数有关：一个是w，另一个则是该年对应的一个误差值(noise) 在求解w和 ξ 之前，先观察一下误差值的特点： 因此，关于errors（noise）的假设如下： 更进一步 阅读全文
摘要：
在Coursera机器学习课程中，第一篇练习就是如何使用最小均方差(Least Square)来求解线性模型中的参数。本文从概率论的角度 最大化似然函数，来求解模型参数，得到线性模型。本文内容来源于：《A First Course of Machine Learning》中的第一章和第二章。 先来看 阅读全文
摘要：
使用Ganglia监控整个Hadoop集群，看到Ganglia采集的各种指标：CPU各个具体的指标含义解释如下： ①CPU(监测到的master主机上的CPU使用情况) 从图中看出，一共有五个关于CPU的指标。分别如下： ⓐ User User表示：CPU一共花了多少比例的时间运行在用户态空间或者说 阅读全文
摘要：
一，问题描述 Ganglia的各个组件安装情况(不是我装的，只知道这些信息)： 集群一共有4台机器，分别是192.168.121.34-37。Gmetad、Gweb和httpd 安装在 192.168.121.34 上；Gmond安装在34,35,36,37机器上。 访问Ganglia-web主页： 阅读全文
摘要：
①打开注册表编辑器，开始-->运行-->regedit ②定位到：HKEY_CLASSSES_ROOT > * >Shell，在Shell 上右击，新建 > 项，输入： Open With gvim（使用vim打开） ③在 Open With gvim 右键 >新建 >字符串值，数值名称设置为：Ic 阅读全文
摘要：
在本练习中，先介绍了SVM的一些基本知识，再使用SVM（支持向量机 ）实现一个垃圾邮件分类器。 在开始之前，先简单介绍一下SVM ①从逻辑回归的 cost function 到SVM 的 cost function 逻辑回归的假设函数如下： hθ(x)取值范围为[0,1]，约定hθ(x)>=0.5， 阅读全文
摘要：
本文根据水库中蓄水标线(water level) 使用正则化的线性回归模型预 水流量(water flowing out of dam)，然后 debug 学习算法 以及 讨论偏差和方差对 该线性回归模型的影响。 ①可视化数据集 本作业的数据集分成三部分： ⓐ训练集(training set)，样本 阅读全文