摘要：
人生是由不同的片段构成，拒绝浪费生命。你的目标是什么，不要让希望只是希望，人应该有自己的梦想，为了理想像个男人一样去战斗。超越你的前辈吧，你在想放弃的时候想想自己的父亲是如何坚持下来的。。。Keep Going...KEY:要有自己的计划，man... 阅读全文
|
摘要：
人生是由不同的片段构成，拒绝浪费生命。你的目标是什么，不要让希望只是希望，人应该有自己的梦想，为了理想像个男人一样去战斗。超越你的前辈吧，你在想放弃的时候想想自己的父亲是如何坚持下来的。。。Keep Going...KEY:要有自己的计划，man... 阅读全文
摘要：
Stay hungry, stay foolish.抉择，剪不断，理还乱，是离愁，别是一番滋味在心头 阅读全文
摘要：
数学之美番外篇：平凡而又神奇的贝叶斯方法BY刘未鹏–SEPTEMBER 21, 2008POSTED IN:数学,机器学习与人工智能,计算机科学概率论只不过是把常识用数学公式表达了出来。——拉普拉斯记得读本科的时候，最喜欢到城里的计算机书店里面去闲逛，一逛就是好几个小时；有一次，在书店看到一本书，名叫贝叶斯方法。当时数学系的课程还没有学到概率统计。我心想，一个方法能够专门写出一本书来，肯定很牛逼。后来，我发现当初的那个朴素归纳推理成立了——这果然是个牛逼的方法。——题记目录0. 前言1. 历史 1.1 一个例子：自然语言的二义性 1.2 贝叶斯公式2. 拼写纠正3. 模型比较与贝叶斯奥卡姆剃刀 阅读全文
摘要：
今日偶遇导师，请教了有关以后发展方向的问题，感触良多。1.关于以后的发展，如果是做科研，则一定要静得下心，勿在浮沙驻高台。没有一定的底蕴，是很难提出新的见解。2.对于一个算法，对物理意义的理解的重要性远远超出其数学意义。算法是死的，但是应用方面是活的，如果你能将算法的物理意义自圆其说，这才是你所写的文章的精髓。发表在Nature上的文章的核心也是对PCA物理意义的彻底解释，附上图表的解释往往会有意想不到的结果。3.更新自己的视野。在你所在领域，前沿科技一定会更新，你要实时掌握这些动态，像看新闻一样去看文献，拓展自己的视野，这个是非常重要的。4.善于从文献中总结出方法，并提出自己的见解，当然只有 阅读全文
摘要：
机器学习中的数学(1)-回归(regression)、梯度下降(gradient descent)版权声明： 本文由LeftNotEasy所有，发布于http://leftnoteasy.cnblogs.com。如果转载，请注明出处，在未经作者同意下将本文用于商业用途，将追究其法律责任。前言: 上次写过一篇关于贝叶斯概率论的数学，最近时间比较紧，coding的任务比较重，不过还是抽空看了一些机器学习的书和视频，其中很推荐两个：一个是stanford的machine learning公开课，在verycd可下载，可惜没有翻译。不过还是可以看。另外一个是prml-pattern recogniti 阅读全文
摘要：
前几天学习了PCA，LDA算法，都是经典的降维算法。第一种为无监督学习，第二种为监督学习。 今天看了另一种监督学习的降维算法LPP(Locality Preserving Projection)，在此记录下自己的心得体会。 就从算法的步骤上来说，LDA和LPP有着惊人的相似，以至于我怀疑他们之间只是同一种方法的不同表示。为了验证我的想法，我采用这两组算法对相同的数据进行降维，降维后的数据证明了我的想法是错的。但是降维后的数据确实非常的相近。还请各路大神指导两者之间的关系。 LPP算法先需要用明确类别的样本进行训练。 如有n个K维训练样本，X1，X2...Xn构成矩阵X，样本分为C种。我... 阅读全文
摘要：
LDA算法入门一．LDA算法概述：线性判别式分析(LinearDiscriminantAnalysis,LDA)，也叫做Fisher线性判别(FisherLinearDiscriminant,FLD)，是模式识别的经典算法，它是在1996年由Belhumeur引入模式识别和人工智能领域的。性鉴别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵 阅读全文
|