鹿抬头

摘要： 一、属性选择： 1、理论知识： 见以下两篇文章： 数据挖掘中的特征选择算法综述及基于WEKA的性能比较_陈良龙 数据挖掘中约简技术与属性选择的研究_刘辉 2、weka中的属性选择 2.1评价策略（attribute evaluator） 总的可分为filter和wrapper方法，前者注重对单个属性 阅读全文

摘要： 关于PCA的详细说明，参见：http://blog.sina.com.cn/s/blog_61b8694b0101jg4f.html 在此，我把我所用的matlab实现代码列举在此，比较简洁，并附有详细的注释。 训练数据的PCA处理： 测试数据的PCA处理： 阅读全文

摘要： 读研时，常去国图听讲座，其中一场便是《数学之美》的作者吴军所做的。讲座的内容记不起了，但记了个《数学之美》。于是乎，听完讲座便从网上下载。从开始看不懂，到第一遍一气呵成，再到第二遍的理解深刻，觉得有必要总结一下了。 一、统计语言模型 最早，语言学家提出用语法分析进行文字处理，但进展缓慢；香农提出用数 阅读全文

摘要： 人工智能简史 前期，人工智能使用知识（句法、逻辑等规则）来搜索问题的解，主要用在数学和逻辑领域，比如证明数学定理、计算函数、逻辑推理等。中期，人工智能强方法盛行，在具体的领域有独立地应用。当下，人工智能正以神经网络、概率和决策等连接主义理论为基础，以机器学习、数据挖掘等为工具，迈向产业性强、覆盖面广 阅读全文

摘要： 学习教材是邓力和俞栋写的“深度学习方法及应用”，是一本综述性的书。 1、深度学习全称应该是深度结构学习，采用多层的、非线性信息处理方法，大概就是结构比较深的神经网络算法，也是包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一 阅读全文

摘要： 决策树优点： 可处理具有不相关特征的数据、可很容易地构造出易于理解的规则，而规则通常易于解释和理解。 决策树缺点： 比如处理缺失数据时的困难、过度拟合以及忽略数据集中属性之间的相关性等。 在ID3算法完全掌握的基础上，学习C4.5算法，需要明白以下几件事： 1、C4.5如何划分数据集？——用信息增益 阅读全文

摘要： 决策树从数据集合中提取出一系列的规则，这些规则可以用流程图表示，其数据形式非常容易理解；专家系统中就经常使用决策树。 1、决策树的构造：①采用ID3算法（最高信息增益）划分数据集；②递归创建决策树。 2、使用matplotlib的注解功能，可以将存储的树结构转化为容易理解的图形。 3、使用pytho 阅读全文

摘要： 学习材料就是冈萨雷斯的数字图像处理这本书。 第二章：基本知识 1、 通过图像传感器获取图像的感知数据； 2、 通过取样和量化把图像的感知数据转换成数字形式，以像素表示；数字形式又可分为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型； 3、 图像处理主要可以分为空间域处理和频率域处理，包括 阅读全文

摘要： 同事给我发的chaos系列，看后有感。 先把最后一集的一段的台词放到这： 在任何维度的空间里，一个典型的向量场，应该只会具备有限多个吸引子。而一个典型的初始条件，应该会被其中一个吸引子吸引。每一个吸引子，都有相对应的SRB测度，来描述吸引子所吸引典型轨线的渐进统计特征。 今天，我们不在认为决定论关乎 阅读全文