max_xbw

摘要： abstract： 代码克隆的综述S1 INTRODUCTION AND MOTIVATION代码克隆的利弊： 利：可以有效地去耦合，避免其他一些可能的错误； 弊：当被复制的那段code中带有bug的话，他的复制版本中都会含有bug。但是代码克隆操作又是不可避免的，因此，代码克隆应该得到有效的检测和... 阅读全文

摘要： 摘要： 利用软件中的历史缺陷数据来建立分类器，进行软件缺陷的检测。 多核学习(Multiple kernel learning)：把历史缺陷数据映射到高维特征空间，使得数据能够更好地表达； 集成学习(ensemble learning)：使用一系列的分类器来减少由主类带来的分类误差，使具有更好的检测结果。 本文采用集成学习的方法构建一个多核... 阅读全文

摘要： 优先级赋值对象在使用c=d，那么c和d都指向原本只有d指向的那个对象。方法调用中的别名问题：当一个对象作为参数传递到一个函数中，函数改变了这个参数，则改变了传递进来的对象；自增和自减浮点型的变量也是可以++或--的。关系操作符double x=0.1;double y=0.1;System.out.... 阅读全文

摘要： 摘要： 本文主要是评估多种监督机器学习算法的有效性，这些算法用于判断一个错误报告是否是reopened的，算法如下： 7种监督学习算法：kNN,SVM, SimpleLogistic,Bayesian Network, Decision Table, CARTand LWL； 3种集成学习算法： AdaBoost,Bagging... 阅读全文

摘要： JAVA起源从JDK诞生到现在已经有11年的时间了。沧海桑田一瞬间。转眼11年过去了，JDK已经发布了6个版本。在这11年里诞生了无数和Java相关的技术和标准。现在让我们进入时间隧道，重新回到1995年，再来回顾一下Java的发展轨迹和历史变迁。一、 JDK前传在这个世界上，熟悉Java历史的人非... 阅读全文

摘要： 本节内容： 1、POMDP； 2、Policy search算法：reinforced和Pegasus； 马尔科夫决策过程(Partially Observable Markov Decision Process,缩写:POMDP) 简介： 马尔科夫过程的预测： 以下转自：http://www.cnblogs.com/jinxulin/p/3517377.htm... 阅读全文

摘要： 内容：调试强化学习算法（RL算法）LQR线性二次型调节（french动态规划算法）滤波（kalman filters）线性二次高斯控制(LGG)Kalman滤波器卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数... 阅读全文

摘要： 本节内容：控制MDP的算法：状态行动奖励；非线性动力学系统；模型；LQR：线性二次型调节控制；（Riccati方程） 阅读全文

摘要： 主要内容：解决MDP问题的算法：离散化；模型MDP的同化型； (model/similator)拟合值迭代算法；Q函数；近似政策迭代；笔记转自：http://blog.csdn.net/dark_scope/article/details/8252969连续状态的MDP之前我们的状态都是离散的，如果... 阅读全文

摘要： 之前讲了监督学习和无监督学习，今天主要讲“强化学习”。马尔科夫决策过程；Markov Decision Process（MDP）价值函数；value function值迭代；value iteration(算法，解决MDP)政策迭代；policy iteration(算法，解决MDP)什么是强化学习... 阅读全文

摘要： 摘要: 目前有许多的bug定位技术，但是，由于他们基于不同的数据集，而且有些数据集还不是公开的，甚至有些技术只应用于小数据集，不具有通用性，因此，不好比较这些技术之间的优劣。 因此，BOAT应运而生。BOAT是指：Bug lOcalization experimental plATform.这是一个... 阅读全文

摘要： PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。内容：PCA （主成份分析）是一种直接的降维方法，通过求解特征值与特征向量，并选取特征值较大的一些特征向量来达到降维的效果；PCA 的一个应用——LSI(Latent Semantic Indexing, 隐含语义索引)... 阅读全文

摘要： 摘要 对软件构建过程中所产生的错误（build process bugs）进行实证研究。 5个开源项目：CXF, Camel, Felix,Struts, and Tuscany。 把build process bugs 和 other bugs在3个维度比较：bug severity, bug fi... 阅读全文

摘要： 复杂的数据类型 数据挖掘的其他方法 关于数据挖掘基础的观点： 可视和听觉数据挖掘 数据可视化 数据挖掘结构可视化 数据挖掘过程可视化 交互式可视数据挖掘 数据挖掘的应用 阅读全文

摘要： 1 离群点和离群点分析1.2 离群点的类型 a.全局离群点 显著偏离数据集中的其余对象，最简单的一类离群点。 检测方法：找到一个合适的偏离度量 b.情境离群点 离群点的值依赖于情境。分为情境属性（定义对象的情境）和行为属性（定义对象的特征） c.集体离群点 数据对象的子集形成集体离群点，如果这些对象... 阅读全文

摘要： 1 基于概率模型的聚类 例子： a.评论产品，一个评论可能设计多种产品，如一个评论谈论摄像机与计算机的兼容性，怎么办？该评论与这两个簇相关，而并不互斥地属于任何一个簇。 b.用户在购买商品时，检索的信息中既订购了一部数据相机，并且同时比较了多种笔记本电脑，怎么办？这种会话应该在某种程度上数据这两个簇。 1.1 模糊簇 这节的例子还不... 阅读全文

摘要： 本节课内容： 因子分析 ---因子分析中的EM步骤的推导过程 主成份分析：有效地降低维度的方法 因子分析 混合高斯模型的问题 接下来讨论因子分析模型，在介绍因子分析模型之前，先看高斯分布的另一种写法，该写法是推导因子分析模型的基础。 高斯分布的矩阵写法 因子分析模型 因子分析模型的推导 EM 求解参数 PCA(Prin... 阅读全文

摘要： 摘要： 提出一种方法——ELBlocker，用于自动检测出Blocking Bugs(prevent other bugs from being fixed)。 难度在于这些Blocking Bugs仅占很小的比例( the class imbalance phenomenon)。 方法：给定一个训练... 阅读全文

摘要： 本节内容： 1、混合高斯模型； 2、将混合高斯模型应用到混合贝叶斯模型；（应用：文本聚类） 3、结合EM算法，讨论因子分析算法； 4、高斯分布的有用性质。混合高斯模型将一般化的EM算法流程（下载笔记）应用到混合高斯模型因子分析模型因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即... 阅读全文

摘要： 上课内容： 无监督学习： K-means聚类算法 混合高斯模型 jensen不等式（用于推导出EM算法的一般形式） EM（Expectation Maximization）算法（最大期望算法） K-means算法 总的来说，K-means比较容易理解，参考：http://www.cnblogs.com/XBWer... 阅读全文