影醉阏轩窗 - 博客园

Linux系统及常用软件的安装

摘要：注释：看了很多人说在Windows下面跑机器学习就和大人一直用勺子吃饭一样，应该用更。。。刚写到这里Linux又奔溃了～～以后就在Linux上跑程序了，告别Windows的时代。。。别看下面的安装都很简单，遇到一个问题够你弄半天！！！ 1.安装Ubuntu 完全抄袭网上大神的：http://bl 阅读全文

posted @ 2017-11-19 19:41 影醉阏轩窗阅读(505) 评论(0) 推荐(1) 编辑

信息熵的概念

摘要：注释：《机器学习实战》这本书说到香农熵，查了两个小时弄明白了。信息熵有两种通俗解释： 1.代表信息的有用程度，越有用信息熵越大，负数是不可能的，我说句话不影响别人也可以影响我自己啊。 2.代表信息的压缩大小，一段话里面有重复的，把重复的去掉就等于压缩，这个压缩的极限就是信息熵。看下面两个链接就明阅读全文

posted @ 2017-11-18 21:38 影醉阏轩窗阅读(954) 评论(0) 推荐(0) 编辑

《机器学习实战》KNN算法实现

摘要：本系列都是参考《机器学习实战》这本书，只对学习过程一个记录，不做详细的描述！注释：看了一段时间Ng的机器学习视频，感觉不能光看不练，现在一边练习再一边去学习理论！ KNN很早就之前就看过也记录过，在此不做更多说明，这是k-means之前的记录，感觉差不多：http://www.cnblogs.co 阅读全文

posted @ 2017-11-17 20:07 影醉阏轩窗阅读(603) 评论(0) 推荐(0) 编辑

Basler和Matrox的配置及调试

摘要：说明：本系列博文是我自己研究生课题，采用做一步记录一步，在论文答辩结束或者机器设计结束之后才会附上源代码！自从装好相机和设计好机械结构之后就没有继续进行下一步，这段时间花了三四天继续上次任务进行，建议使用线阵相机做项目的人一口气做完，不然断断续续又忘记了。上篇博文说到了Basler和Matro 阅读全文

posted @ 2017-11-14 21:25 影醉阏轩窗阅读(3514) 评论(3) 推荐(2) 编辑

StanFord ML 笔记第十部分

摘要：第十部分： 1.PCA降维 2.LDA 注释：一直看理论感觉坚持不了，现在进行《机器学习实战》的边写代码边看理论阅读全文

posted @ 2017-11-11 14:15 影醉阏轩窗阅读(160) 评论(0) 推荐(0) 编辑

StanFord ML 笔记第九部分

摘要：第九部分： 1.高斯混合模型 2.EM算法的认知 1.高斯混合模型之前博文已经说明：http://www.cnblogs.com/wjy-lulu/p/7009038.html 2.EM算法的认知 2.1理论知识之前已经说明：http://www.cnblogs.com/wjy-lulu/p/70 阅读全文

posted @ 2017-11-10 16:31 影醉阏轩窗阅读(441) 评论(0) 推荐(0) 编辑

凸优化&非凸优化问题

摘要：转载知乎大神的回答：Robin Shen 参考：https://www.zhihu.com/question/20343349 阅读全文

posted @ 2017-11-04 18:55 影醉阏轩窗阅读(405) 评论(0) 推荐(0) 编辑

一些误差的概念

摘要：训练误差训练得出的的误差，比如训练1000个样本得出的误差是0.01，训练500个样本得出的误差是0.02。一般在程序里当做训练终止的条件，例如do while(|R1-R2|<0.01){ do something } 泛化误差训练好模型之后测试的误差，比如训练一个y=kx+b的模型了，现在去阅读全文

posted @ 2017-11-04 02:11 影醉阏轩窗阅读(230) 评论(0) 推荐(0) 编辑

StanFord ML 笔记第八部分

摘要：第八部分内容： 1.正则化Regularization 2.在线学习(Online Learning) 3.ML 经验 1.正则化Regularization 1.1通俗解释引用知乎作者：刑无刀解释之前，先说明这样做的目的：如果一个模型我们只打算对现有数据用一次就不再用了，那么正则化没必要了，因阅读全文

posted @ 2017-11-04 01:38 影醉阏轩窗阅读(202) 评论(0) 推荐(0) 编辑

StanFord ML 笔记第六部分&&第七部分

摘要：第六部分内容： 1.偏差/方差（Bias/variance） 2.经验风险最小化（Empirical Risk Minization，ERM） 3.联合界（Union bound） 4.一致收敛（Uniform Convergence）第七部分内容： 1. VC 维 2.模型选择(Model Se 阅读全文

posted @ 2017-11-03 21:36 影醉阏轩窗阅读(322) 评论(0) 推荐(0) 编辑

寂寞的小乞丐