本人常用资源整理(ing...)
摘要：Deep Learning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deep learning教程，用的theano库，主要是rbm系列，搞pytho...
阅读全文
posted @
2012-05-24 08:32
tornadomeet
阅读(45173)
推荐(41) 编辑
Reading papers_7(与human activity recognition特征提取相关,ing...)
摘要：1.读Dollár, P., V. Rabaud, et al. (2005). Behavior recognition via sparse spatio-temporal features, IEEE. 本文作者提出了检测视频数据特征点，即spatio-temporal特征，即时空特征点，并将该特征应用于行为识别，且在前提假设比较少的情况下提出了一个人体特征检测和行为识别的通用框架。 行为识别的研究途径有以下几种：通过恢复视频中人体的位置和姿态，但是模型匹配很难做到准确；通过跟踪空间特征点轨迹来进行识别；通过不断的重复跟踪来对人体进行行为识别；通过检测时空特征点来进行行为识别。
阅读全文
posted @
2012-05-10 23:31
tornadomeet
阅读(3166)
推荐(0) 编辑
Reading papers_6(Pattern Recognition And Machine Learning一书,ing...)
摘要：第一章,引论 本章是本书的纲领，有着统领全局的味道。 首先通过一个多项式曲线拟合的例子引出了本领域的一些概念，比如线性模型，过拟合，错误函数，模型比较和模型选择，最大似然，正则化，岭回归，权值衰减，验证集，hold-out集等。 然后作者分别从概率理论，决策理论，信息理论三个方向分别介绍了这几个理论在模式识别和机器学习中的作用。本书也是由这3个理论贯穿的，其中最终要的理论是概率理论。(待续…)第二章,概率分布
阅读全文
posted @
2012-05-10 21:41
tornadomeet
阅读(1854)
推荐(0) 编辑
初步体验libsvm用法1(官方自带工具)
摘要：在机器学习和模式识别领域，svm理论使用得很广泛，其理论基础是统计学习，但是如果我们的研究方向不是svm理论，我们只是利用已有的svm工具来对我们的任务进行分类和回归，那么libsvm是一个不错的选择。 那么libsvm到底怎么使用呢？研究了一下，发现使用起来不是很复杂，这一小结就说说到底怎么简单的体会libsvm吧。一、首先准备几个工具： Libsvm下载 http://www.csie.ntu.edu.tw/~cjlin/libsvm/ Gnuplot下载：http://www.gnuplot.info/ Python下载: http://www.python.org/getit/ ...
阅读全文
posted @
2012-04-12 14:57
tornadomeet
阅读(19000)
推荐(8) 编辑
一些知识点的初步理解_2(流形学习,ing...)
摘要：一. 流形学习的英文名为manifold learning。其主要思想是把一个高维的数据非线性映射到低维，该低维数据能够反映高维数据的本质，当然有一个前提假设就是高维观察数据存在流形结构，其优点是非参数，非线性，求解过程简单。二. 流形学习的可行性是因为：1.从认知心理学的角度来讲心理学家认为人的认知过程是基于认知流形和拓扑连续性的；2.许多高维采用数据都是由少数几个隐变量所决定的，所以可以用少数的低维数据来刻画高维数据。三. 流形学习所需的数学背景知识：微分流形，黎曼流形，微分几何，切向量场，拓扑空间，光滑映射等。四. 经典流形学习算法：Isomap：等距映射。前提假设为低维空间中的欧式距离
阅读全文
posted @
2012-03-29 10:23
tornadomeet
阅读(11376)
推荐(3) 编辑
HMM学习笔记_2(从一个实例中学习HMM前向算法)
摘要：HMM算法想必大家已经听说了好多次了，完全看公式一头雾水。但是HMM的基本理论其实很简单。因为HMM是马尔科夫链中的一种，只是它的状态不能直接被观察到，但是可以通过观察向量间接的反映出来，即每一个观察向量由一个具有相应概率密度分布的状态序列产生，又由于每一个状态也是随机分布的，所以HMM是一个双重...
阅读全文
posted @
2012-03-24 16:16
tornadomeet
阅读(32318)
推荐(6) 编辑
HMM学习笔记_1(从一个实例中学习DTW算法)
摘要：DTW为(Dynamic Time Warping,动态时间归准)的简称。应用很广，主要是在模板匹配中，比如说用在孤立词语音识别，计算机视觉中的行为识别，信息检索等中。可能大家学过这些类似的课程都看到过这个算法，公式也有几个，但是很抽象，当时看懂了但不久就会忘记，因为没有具体的实例来加深印象。 这次主要是用语音识别课程老师上课的一个题目来理解DTW算法。 首先还是介绍下DTW的思想：假设现在有一个标准的参考模板R，是一个M维的向量，即R={R（1），R（2），……，R（m），……，R（M）}，每个分量可以是一个数或者是一个更小的向量。现在有一个才测试的模板T，是一个N维向量，即T...
阅读全文
posted @
2012-03-23 11:29
tornadomeet
阅读(62913)
推荐(10) 编辑
一些知识点的初步理解_1(集成学习,ing...)
摘要：最近在看一些集成学习方面的知识，其中南京大学的周志华教授写的几篇关于集成学习综述性的文章还不错。看了下对集成学习有了一个初步的了解，如下： 集成学习是机器学习中一个非常重要且热门的分支，是用多个弱分类器构成一个强分类器，其哲学思想是“三个臭皮匠赛过诸葛亮”。一般的弱分类器可以由决策树，神经网络，贝叶斯分类器，K-近邻等构成。已经有学者理论上证明了集成学习的思想是可以提高分类器的性能的，比如说统计上的原因，计算上的原因以及表示上的原因。一、集成学习中主要的3个算法为：boosting,bagging,stacking. 其中boosting的弱分类器形成是同一种机器学习算法，只是其数据抽取时的.
阅读全文
posted @
2012-03-21 10:47
tornadomeet
阅读(11902)
推荐(0) 编辑
