摘要: 今天,也没出去,晚上宿舍没有人,自己思考了下人生,毕设还是大事,觉得现在有必要把LDA从前往后彻彻底底的读一遍了,因为现在的感觉就是什么都知道一点皮毛,但是理解的都不深,LDA好像(恩,相当不好)现在理解的不是很好,涉及的内容挺多,细分的话有: 1)参数估计 MLE MAP 2)Bayes Esti 阅读全文
posted @ 2016-06-05 21:05 ooon 阅读(598) 评论(0) 推荐(0) 编辑
摘要: 1、启用LaTeX数学公式支持的操作方法: 进入博客后台,在“选项”中选中“启用数学公式支持”。 启动之后,需要写公式时,插入个界定符: 大功告成,so easy ! 妈妈再也不用担心我的学习! 试验之后才发现,再也看不懂自己写的博客是啥了 :) !还是准备个 latext编辑器玩玩吧,写完在传上来 阅读全文
posted @ 2016-06-04 22:03 ooon 阅读(424) 评论(0) 推荐(0) 编辑
摘要: 语言模型简介(Language Model) 简单的说,语言模型 (Language Model) 是用来计算一个句子出现概率的模型,假设句子 ,其中 代表句子中的第 个词语,则语句 W 以该顺序出现的概率可以表示为: 其中 , $p(w_n|w_1^{n-1}) = p(w_n|w_1,w_2,. 阅读全文
posted @ 2016-06-04 08:52 ooon 阅读(7620) 评论(1) 推荐(0) 编辑
摘要: HTTP 报文分为请求报文与响应报文 HTTP 请求报文 请求报文分为 4部分,请求行,请求头部,空行,请求体部,如下图所示: 请求行分为 3 部分,为请求方法 URL 与协议版本,中间以空格隔开。 ① 是请求方法,分为 GET、POST、HEAD、PUT、DELETE、OPTIONS、TRACE、 阅读全文
posted @ 2016-06-01 09:53 ooon 阅读(295) 评论(0) 推荐(0) 编辑
摘要: 本文将主要介绍图像分类问题,即给定一张图片,我们来给这张图片打一个标签,标签来自于预先设定的集合,比如{people,cat,dog...}等,这是CV的核心问题,图像分类在实际应用中也有许多变形,而且许多看似无关的问题(比如 object detection, segmentation)最终也可划 阅读全文
posted @ 2016-05-29 22:50 ooon 阅读(930) 评论(0) 推荐(0) 编辑
摘要: Hinge Loss 解释 SVM 求解使通过建立二次规划原始问题,引入拉格朗日乘子法,然后转换成对偶的形式去求解,这是一种理论非常充实的解法。这里换一种角度来思考,在机器学习领域,一般的做法是经验风险最小化 ERM ,即构建假设函数为输入输出间的映射,然后采用损失函数来衡量模型的优劣。求得使损失最 阅读全文
posted @ 2016-05-29 16:20 ooon 阅读(7747) 评论(0) 推荐(0) 编辑
摘要: 建立模型 当使用机器学习的方法来解决问题时,比如垃圾邮件分类等,一般的步骤是这样的: 1)从一个简单的算法入手这样可以很快的实现这个算法,并且可以在交叉验证集上进行测试; 2)画学习曲线以决定是否更多的数据,更多的特征或者其他方式会有所帮助; 3)人工检查那些算法预测错误的例子(在交叉验证集上),看 阅读全文
posted @ 2016-05-24 15:18 ooon 阅读(3824) 评论(0) 推荐(0) 编辑
摘要: 本文所讲述的是怎么样去在实践中更好的应用机器学习算法,比如如下经验风险最小化问题: 当求解最优的 后,发现他的预测误差非常之大,接下来如何处理来使得当前的误差尽可能的小呢?这里给出以下几个选项,下面介绍的是如何在一下这些应对策略中选择正确的方法来助力以上问题。 当模型的variance比较大时,可能 阅读全文
posted @ 2016-05-24 12:03 ooon 阅读(665) 评论(0) 推荐(0) 编辑
摘要: 关于这个spark的环境搭建了好久,踩了一堆坑,今天 环境: WIN7笔记本 spark 集群(4个虚拟机搭建的) Intelij IDEA15 scala-2.10.4 java-1.7.0 版本问题: 个人选择的是hadoop2.6.0 spark1.5.0 scala2.10.4 jdk1.7 阅读全文
posted @ 2016-05-13 17:50 ooon 阅读(13369) 评论(2) 推荐(3) 编辑
摘要: 问题的引入: 考虑一个典型的有监督机器学习问题,给定m个训练样本S={x(i),y(i)},通过经验风险最小化来得到一组权值w,则现在对于整个训练集待优化目标函数为: 其中为单个训练样本(x(i),y(i))的损失函数,单个样本的损失表示如下: 引入L2正则,即在损失函数中引入,那么最终的损失为: 阅读全文
posted @ 2016-05-12 12:51 ooon 阅读(24990) 评论(0) 推荐(0) 编辑