07 2011 档案

Android ！No Launcher activity found！错误
摘要：刚开始学android，建了两个工程后，今天新建了个android工程跑程序时显示No Launcher activity found错误，模拟器也不运行。 上网一查，发现问题出在整个项目的那个主配置xml中，一般名字都是叫AndroidManifest.xml 里面没有配置启动项（原因多种多样），... 阅读全文
posted @ 2011-07-31 20:53 MindProbe 阅读(25251) 评论(5) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——2.3(2)
摘要：2.3.1Conditional Gaussian distributions 如果两个变量集合共同符合分布高斯分布，那么每个单一变量的条件分布(p(a|b))与边缘分布(p(a))都是符合高斯分布的。 即如果x是高斯分布。 则xa，xb也符合高斯分布。而且他们的期望与协方差可求，可以用两种方法求... 阅读全文
posted @ 2011-07-14 11:05 MindProbe 阅读(893) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——2.3 The Gaussian Distribution
摘要：高斯分布，又叫做正态分布，应用范围很广。比如令单一变量取值分布能够具有最大熵就要用高斯分布；一堆随机数求和，得到的和的分布也满足高斯分布（根据拉普拉斯的中心极限定理）。这第2.3章就要介绍其一些重要性质，对后续章节很有帮助。 2.3的每一小节的内容都不少，所以我拆开写了。另外这章涉及不少数学证明，不... 阅读全文
posted @ 2011-07-14 10:25 MindProbe 阅读(1203) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——2.2 Multinomial Variables
摘要：2.1章里涉及的x只有两个值：0/1，这太少了，这章允许x有K个离散的值。 它对x取这K个值得表示是用一个k维向量表示的，x也就变成了一个k维向量。例：如果x取值是k个值中的第三个，则表示为： 注意，x向量中的1只能有1个，体会一下他的实际意义，这样才能代表K个离散的值。 所以对某个特定的x出现的... 阅读全文
posted @ 2011-07-13 10:36 MindProbe 阅读(1391) 评论(0) 推荐(1) 编辑
拉格朗日乘子基本概念
摘要：通常我们遇到的求极值的问题是求函数f(x1,x2,...,xn)在什么条件下取得极值，一般的求解法就是求导、令导数等于0。 另一种常见情况是求函数f(x1,x2,...,xn)在g(x1,x2,...,xn)=0的约束下取得极值的情况，这种时候就要用到拉格朗日乘子法（Lagrange multipl... 阅读全文
posted @ 2011-07-13 10:03 MindProbe 阅读(1929) 评论(0) 推荐(1) 编辑
"模式识别与机器学习"读书笔记——2.1 Binary Variables
摘要：从最简单的变量谈起——一位二进制变量（只有0/1两种值）。 典型例子翻硬币，假设人头朝上的概率为u，作为这个模型的参数，则其概率分布为： 这个分布也称Bernoullo distribution，期望方差为： 如果有一组观察数据D={x1,x2,...,xn}，则这组观察数据出现的概率为： 选... 阅读全文
posted @ 2011-07-12 12:01 MindProbe 阅读(1515) 评论(0) 推荐(0) 编辑
似然函数——likelihood function
摘要：维基百科的对似然函数的解释非常清楚细致： http://zh.wikipedia.org/zh-hans/似然函数 如果万一维基百科中文也被强了，还有这个，一样的： http://longmans1985.blog.163.com/blog/static/706054752011223211638/... 阅读全文
posted @ 2011-07-12 09:50 MindProbe 阅读(7358) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——2 Probability Distributions
摘要：由于概率论在模式识别中占有举足轻重的位置，所以这章就专门讲一讲几个典型的概率分布和它们的性质。另外还涉及一些简单的统计学概念。 概率分布就是给p(x)建立模型，又称为密度估计（density estimation）。说到底也就是个建模，所以每一个模型都是不适定的，模型也有无限多可能性，选取合适的模型... 阅读全文
posted @ 2011-07-12 09:11 MindProbe 阅读(824) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1.6 Information Theory
摘要：信息论初步。 越少出现的事件其包含的信息量越大，用h(x)表示， h(x)需满足性质：h(x,y)=h(x)+h(y)，x,y是两个不相关事件。 由此可以对h(x)建立模型：h(x)=-log2p(x)。 如果要把本地的随机发生的事件传到另一个地方，需要传输的平均信息量为： 这个H[x]也叫做熵。... 阅读全文
posted @ 2011-07-11 11:48 MindProbe 阅读(752) 评论(0) 推荐(0) 编辑
C# 读取中文文件
摘要：从指定文件地址读取文件到一个string中，并解决中文乱码问题： using System.IO;StreamReader reader = new StreamReader("D:/Resource/Taobao.txt",System.Text.Encoding.Default); ... 阅读全文
posted @ 2011-07-08 14:55 MindProbe 阅读(2016) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1.5 Decision Theory
摘要：经过之前的章节，我们应该可以做到通过训练数据训练后，给一个新的x，得到结果t的可能概率分布，比如通过一张新的x片得出这个人得癌症的概率分布如何，不得癌症的分布如何，然后做出最可能的选择决策。这章开始引入分类的概念，将所得结果分类，即所谓的决策。（既然已经知道概率了，选大的不就完了么？） 1.5.1 ... 阅读全文
posted @ 2011-07-08 10:55 MindProbe 阅读(4141) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记—— 1.4 The Curse of Dimensionality
摘要：多项式拟合只有一个输入变量x，在实际中会有n多变量的情况，就想高维度问题那样，本节大致描述如何处理这些问题。 可以降维处理，比如一张图片，本来有x,y两个输入变量，你可以把这张图片切成n多个小图片，给每个小图片一个标号，这样输入变量就变成1个了。这样做的缺点是从高维向低维降的时候，数据规模会指数型的... 阅读全文
posted @ 2011-07-08 09:33 MindProbe 阅读(1271) 评论(0) 推荐(0) 编辑
C#， XML中有中文加载出错问题的处理
摘要：用C#的XmlDocument加载xml文件时，如果xml文件中有中文可能会报错。 我碰到的情况是因为编码问题造成的，解决方法： 修改XML头部为： 更多的解决方法： http://social.msdn.microsoft.com/Forums/zh-CN/vbasiczhchs/thread/4... 阅读全文
posted @ 2011-07-07 21:10 MindProbe 阅读(3885) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1.3 Model Selection
摘要：从多项式匹配那里就初见端倪，如果模型太复杂会出现over-fitting，如果模型太简单则匹配的又不是很好。 所以要选择合适复杂度的模型。当数据丰富时，各种模型都可以试，最后选最优。当数据不那么丰富时，用特定方法。 阅读全文
posted @ 2011-07-07 16:10 MindProbe 阅读(730) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1.2 Probability Theory
摘要：1.2.0 基本的概率知识回顾，包括概率的乘积原则、求和原则，independent。你可以确定解决这种问题就ok了： 一个红盒子里装了2个苹果与6个橘子，一个蓝盒子里装了3个苹果与1个橘子，拿红盒子的概率是40%， 请问随机选个盒子再拿出一个水果是苹果的概率？如果拿出的是橘子，这个橘子来自红盒子的... 阅读全文
posted @ 2011-07-07 11:48 MindProbe 阅读(1431) 评论(0) 推荐(0) 编辑
如何截获浏览器的http请求——几款不错的http抓包工具
摘要：最近用webrequest获取页面时频频遇到各种莫名其妙的问题，感觉十分不爽，同样的HTTP标头，为什么浏览器能做到的事我做就SB了呢？ 于是上网搜索与http抓包有关的工具，按过程逐一对比，问题就迎刃而解了。在此推荐两款不错的抓包工具。 1、LiveHTTPHeaders 一款firefox的抓包... 阅读全文
posted @ 2011-07-06 10:26 MindProbe 阅读(13540) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1.1 Example:Polynomial Curve Fitting
摘要：概述： 多项式拟合的入门知识，并给了个简单的例子：给了一堆x，一堆y，当再给你个x时你如何预测y的值。 非常基础，就一些有关多项式参数确定的概念，但并没有提如何确定参数的方法。 多项式拟合，假定原数据是由一个多项式函数产生的，y(x,w)，w是多项式的一些列参数。要通过已知的数据找到w使得你这多项式... 阅读全文
posted @ 2011-07-05 11:47 MindProbe 阅读(2084) 评论(0) 推荐(0) 编辑
"模式识别与机器学习"读书笔记——1 Introduction
摘要：PATTERN RECOGNITION AND MACHINE LEARNING CHRISTOPHER M.BISHOP 干什么东西都要留下点什么，既然有人说这本书很经典，这回就好好学一学，记一记好了。毕竟这是我初踏这个领域的第一本书嘛。这个系列博客将对这本书得每一节给出概要，相关信息，一些补充。... 阅读全文
posted @ 2011-07-05 10:41 MindProbe 阅读(4064) 评论(0) 推荐(2) 编辑
Eclipse开发Android程序如何在手机上运行
摘要：android开发不论是在真机上调试还是最终发布到真机上都非常简单，过程如下：1、安装usb驱动 手机要能与电脑相连，当然要安驱动了。效果就是你插入手机，电脑显示驱动已识别。驱动安装的官方教程：http://developer.android.com/sdk/win-usb.html 官方教程概... 阅读全文
posted @ 2011-07-04 21:22 MindProbe 阅读(106326) 评论(3) 推荐(7) 编辑