jiayouwyhit

摘要： 修改矩阵的形状——cvReshape的操作 经实验表明矩阵操作的进行的顺序是：首先满足通道，然后满足列，最后是满足行。 注意：1 这和Matlab是不同的，Matlab是行、列、通道的顺序； 2.cvGetMat和cvReshape都只生成一个新的矩阵头，而数据都指向原来的地址，所以是两个矩阵共有一组数据，这一点在使用中要注意，原来的数据撤消是否会影响后生成的矩阵的使用； 3.cvReshape是按行形成向量，如果想按列形成向量，就先调用cvTranspose对矩阵进行转置,再调用cvReshape； 4.同样大小的IplImage和CvMat,IplImage->width... 阅读全文

摘要： 这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。 与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k个值{1,…,k}可以选取。而且我们认为在给定后，满足多值高斯分布，即。由此可以得到联合分布。 整个模型简单描述为对于每个样例，我们先从k个类别中按多项式分布抽取一个，然后根据所对应的k个多值高斯分布中的一个生成样例，。整个过程称作混合高斯模型。注意的是这里的仍然是隐含随机变量。模型中还有三 阅读全文

摘要： 图1：mutilmodel distribution data 高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的连续概率分布函数，它描述了一种围绕某个单值聚集分布的随机变量。生活中，各种各样的心理学测试分数和物理现象比如光子计数都被发现近似地服从高斯分布。同时，高斯分布也是统计学以及许多统计测试中最广泛应用的一类分布。中心极限定理表明... 阅读全文

摘要： 转自http://blog.pluskid.org/?p=39；上一次我们谈到了用 k-means 进行聚类的方法，这次我们来说一下另一个很流行的算法：Gaussian Mixture Model (GMM)。事实上，GMM 和 k-means 很像，不过 GMM 是学习出一些概率密度函数来（所以 GMM 除了用在 clustering 上之外，还经常被用于 density estimation ），简单地说，k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了，而 GMM 则给出这些数据点被 assign 到每个 cluster 的概率，又称作soft ass 阅读全文

摘要： 佳富公寓：华工光谷体育馆对面，很小，但是价格相对其他地方优惠些，提前订的话138，电话：18040585328，18040585318育才宾馆：七天连锁酒店的那层楼的8楼，关山口车站下车就是了。最推荐这个，新装修，室内环境个人觉得是我推荐的这几个宾馆里面最好的。可以和老板砍价，这次砍价砍到了120，对于节假日来说，相对是最优惠的了。15202736078华工商务宾馆：住过几次，老板态度一般，里面的条件还可以。平时110左右，节假日一般会涨价到168，你说你是老顾客，应该能砍价到130左右。里面的环境相对于家庭旅馆要好一些。地点也是在七天连锁的那个楼，在6楼，育才宾馆的下面。027-875225 阅读全文

摘要： 阅读全文

摘要： opencv版本不断更新，其对VC版本的支持是有限制的：VC6.0 可以与opencv1.0兼容；vc2008可以与opencv2.0 2.1 2.3.1系列兼容；vc2010可以与opencv2.4.3系列兼容； 阅读全文

摘要： 最近在学习一些数据挖掘的算法，看到了这个算法，也许这个算法对你来说很简单，但对我来说，我是一个初学者，我在网上翻看了很多资料，发现中文社区没有把这个问题讲得很全面很清楚的文章，所以，把我的学习笔记记录下来，分享给大家。在数据挖掘中，k-Means 算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）K-Mea 阅读全文

摘要： 一个值得关注的算法博客：http://blog.csdn.net/v_july_v/article/details/7382693博主的微博http://weibo.com/julyweibo?s=6cm7D0 阅读全文

摘要： 摘要：机器学习与数据挖掘！重中之重，热中之热。要“深入浅出，要言不烦，不卖关子，不摆噱头”讲清楚机器学习，斯坦福大学教授Andrew Ng做到了。这是他的26篇教程的翻译，建议收藏。机器学习与数据挖掘！重中之重，热中之热。每一篇在CSDN云计算频道发表的相关文章都获得无数响应与评价。我们一直在思考如何能将文章汇聚成系列，并建立了“机器学习”的tag，但要从浅入深，汇聚前沿，点评发展，并将云计算与大数据领域最具价值的部分体现出来，很难。幸好业内有专家走在了最前面。美国卡内基梅隆计算机机器人专业博士、面向移动云计算创业人邓侃博士（@邓侃）在2月20日看到了斯坦福大学教授Andrew Ng的网页：越 阅读全文