摘要: learn to rank 阅读全文
posted @ 2013-12-05 18:38 无脚的鸟 阅读(680) 评论(0) 推荐(0) 编辑
摘要: 深度学习 阅读全文
posted @ 2013-12-03 16:39 无脚的鸟 阅读(391) 评论(0) 推荐(0) 编辑
摘要: 矩阵 阅读全文
posted @ 2013-12-03 12:28 无脚的鸟 阅读(244) 评论(0) 推荐(0) 编辑
摘要: hlda 阅读全文
posted @ 2013-12-03 10:50 无脚的鸟 阅读(3283) 评论(0) 推荐(0) 编辑
摘要: HLDA 阅读全文
posted @ 2013-12-03 10:04 无脚的鸟 阅读(376) 评论(0) 推荐(0) 编辑
摘要: 推荐系统 阅读全文
posted @ 2013-12-02 09:31 无脚的鸟 阅读(603) 评论(0) 推荐(0) 编辑
摘要: 推荐系统 阅读全文
posted @ 2013-12-01 17:40 无脚的鸟 阅读(319) 评论(0) 推荐(0) 编辑
摘要: 熵 阅读全文
posted @ 2013-12-01 12:21 无脚的鸟 阅读(647) 评论(0) 推荐(0) 编辑
摘要: 矩阵 特征向量 阅读全文
posted @ 2013-11-29 14:57 无脚的鸟 阅读(294) 评论(0) 推荐(0) 编辑
摘要: 聚类(clustering)1、ground truth :真实值,以后数据的真实值用这个词语表达2、K-means=EM, 聚类中k均值算法其实就是一个EM算法,其中第二步把数据点归并到相应的中心点为E,根据归并后的数据点进行计算重新产生新的中心点为M,通过不断迭代直到不再改变。K均值也是基于高斯混合模型GMM的k均值的缺点初始时需要指定K值无法产生凹型的类别,例如香蕉月牙型,只能产生类圆的形状对孤立点比较敏感,需要降噪处理3、层次聚类对大规模数据处理是否合适(有待进一步查资料)合适,叶子节点进行合并需要n^2次的计算,以后类间合并时不再需要计算,算法具体运行时间应该以最底层的叶子节点合并的 阅读全文
posted @ 2013-11-29 14:50 无脚的鸟 阅读(500) 评论(0) 推荐(0) 编辑