随笔分类 - 机器学习/深度学习
摘要：不多说，直接上干货！
阅读全文
摘要：不多说，直接上干货！ 。
阅读全文
摘要：不多说，直接上干货！ 肯定也有不少博友，跟我一样，刚开始接触的时候，会对这三个概念混淆。 以下是，特征处理、特征提取、特征转换和特征选择的区别！ 特征处理主要包含三个方面：特征提取、特征转换和特征选择。 见我下面的博客 机器学习概念之特征提取（Feature extraction） 机器学习概念之特
阅读全文
摘要：不多说，直接上干货！ Windows下的Python 3.6.1的下载与安装（适合32bits和64bits）（图文详解） Windows下的Jupyter Notebook 安装与自定义启动（图文详解） 更多，待续 欢迎大家，加入我的微信公众号：大数据躺过的坑 人工智能躺过的坑 同时，大家可以关注
阅读全文
摘要：不多说，直接上干货！ 前期博客 Windows下的Python 3.6.1的下载与安装（适合32bits和64bits）（图文详解） 这是我自定义的Python 的安装目录 （D:\SoftWare\Python\Python36\Scripts） 1、Jupyter Notebook 和 pip
阅读全文
摘要：不多说，直接上干货！ 为什么，这么简单的一个python，我还要特意来写一篇博客呢？ 是因为留念下，在使用了Anaconda2和Anaconda3的基础上，现在需安装python3.6.0来做数据分析。 关于数据分析工程师的，相关博客，我会陆续更新发布。 Python 3.6.1的下载 点击down
阅读全文
摘要：实验 我使用的代码是Python版本的Faster Rcnn，官方也有Matlab版本的,链接如下: py-faster-rcnn(python) faster-rcnn(matlab) 环境配置 按照官方的README进行配置就好,不过在这之前大家还是看下硬件要求吧 For training sm
阅读全文
摘要：不多说，直接上干货！ Object Detection发展介绍 Faster rcnn是用来解决计算机视觉(CV)领域中Object Detection的问题的。经典的解决方案是使用: SS(selective search)产生proposal,之后使用像SVM之类的classifier进行分类，
阅读全文
摘要：不多说，直接上干货！ 基于R-CNN的物体检测 原文地址：http://blog.csdn.net/hjimce/article/details/50187029 作者：hjimce 一、相关理论 本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchie
阅读全文
摘要：不多说，直接上干货！ 本文一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的前沿水平，在github都给出了基于Caffe的源码。 • RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，
阅读全文
摘要：不多说，直接上干货！ AI技术研究的兴起，伴随着两种最直观的思维技巧，即遗传算法与神经网络，这是对生物学研究最直观的技术抽象。深度学习的前身就是神经网络，这个80年代灵光乍现的技术，在那一波人工智能的大潮驱使下，带着人们对于未来AI时代的憧憬，迅速蔓延，一时风头无两，和今天深度学习的火热几乎如出一辙
阅读全文
摘要：不多说，直接上干货！ 卷积神经网络（ConvolutionalNeural Networks，简称CNN）提出于20世纪60年代，由Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现。 CNN是目前深度学习最大的一个流派，其应用优点在于避免了对图像的复杂前期预处理，可以直接
阅读全文
摘要：不多说，直接上干货！ 笔者花了很长时间才装完，主要是cuda安装和opencv安装比较费劲，cuda找不到32位的安装包只好重装64位的ubuntu系统，opencv 也是尝试了很久才解决，这里建议用2.4.9版本。其实如果没用GPU的话不需要安装cuda，不过为了后续兼容性的考虑，系统强烈建议64
阅读全文
摘要：不多说，直接上干货！ 深度学习主机环境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow
阅读全文
摘要：不多说，直接上干货！ 深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0
阅读全文
摘要：不多说，直接上干货！ PCA-SIFT算法在描述子构建上作了创新，主要是 将统计学中的主成分分析(PCA)应用于对描述子向量的降维，以提高匹配效率 。 PCA 的原理是：一般有效信号的方差大，噪声的方差小；通过PCA可以降维滤除噪声，保留信号。 1、算法分析 PCA-SIFT与标准SIFT有相同的亚
阅读全文
摘要：1、通俗解释版 这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年
阅读全文
摘要：不多说，直接上干货！ 这里，对于想用matlab语言来做的朋友，强烈推荐 http://www.cnblogs.com/tornadomeet/
阅读全文
摘要：不多说，直接上干货！ 前言: 最近打算稍微系统的学习下deep learing的一些理论知识，打算采用Andrew Ng的网页教程UFLDL Tutorial，据说这个教程写得浅显易懂，也不太长。不过在这这之前还是复习下machine learning的基础知识，见网页：http://opencla
阅读全文
摘要：不多说，直接上干货！ 复杂降维技术有spare-PCA和sparse coding。 最近在科研需要，感谢下面的博主。 Sparse PCA 稀疏主成分分析
阅读全文