原创 關於Catalan(卡特蘭)數的理解

卡特蘭數的起源 Catalan數源自Euler對凸多邊形通過不相交的對角線切分成三角形的不同切分方案數。n+1個頂點(A1,A2...An+1)的凸多邊形,取定多邊形的一條邊,不妨設爲A1An+1,任意取凸多邊形的一個頂點Ak+1(k=1

原创 快速傅里葉變換(FFT)

快速傅里葉變換大學的時候就學了,可現在想起來都還回去了已經。前兩天做到一道大數乘法題:http://www.51nod.com/onlineJudge/questionCode.html#!problemId=1028 需要用到傅里葉變換

原创 樸素貝葉斯

<<統計學習方法>>:樸素貝葉斯 這幾個概念一直弄的糊里糊塗的~~~ 樸素貝葉斯法是基於貝葉斯定理與特徵條件獨立假設的分類方法! 貝葉斯定理:P(A|B) = P(B|A) * P(A) / P(B) 特徵條件獨立是指對於一個樣本點X,表

原创 最大熵

零星感悟:最大熵 知之爲知之,不知爲不知 論文:The Improved Iterative Scaling Algorithm: A Gentle Introduction 核心思想:構造經驗期望減去模型期望的差,然後讓這個差等於零,此

原创 漫畫線性代數

剛纔在看高橋的<<漫畫線性代數>>,一開始覺得很簡單,不過還是看到之前學的很多不紮實的地方: 關於矩陣的理解,矩陣的逆運算,矩陣的行列式計算方法! 尤其是對矩陣的理解,其實只用將一個矩陣考慮成一個空間變換,一個矩陣乘以一個向量,得到另一個

原创 AdaBoost

AdaBoost自適應增強,一直聽說這個方法,覺得很高端,大半夜的記一下! 自適應增強的思想是用多個弱分類器提升出一個強的分類器:強可學習和弱可學習是等價的! 步驟: 首先,你有一批數據<Xi, Yi>作爲訓練集 其次,你有一個學習

原创 SVM中令 WX + b = 1的理解

都知道SVM中的核心就是找到一個超曲面來實現樣本點的線性可分,那麼對於多個可用的超曲面來說,哪個是最好的呢? Answer:SVM對超曲面選取的標準是:max margin 每一個候選的超曲面對應都有一個margin,我們選的就是讓這m

原创 線性迴歸 最小二乘 梯度下降 隨機梯度下降

一下午只弄清楚這一個問題了,記錄一下,有點亂: 先從線性迴歸問題說起,爲了對樣本點進行擬合求得擬合函數來進行對新的輸入做出預測,便設計了一個衡量擬合函數好壞的標準,其實標準有很多:可以是SUM{|f(Xi) - Yi|} / N; 也可以

原创 支持向量機之SMO

[原文]http://blog.csdn.net/zouxy09/article/details/17291543 寫的太吊了,不得不轉,把我前大半個月看的論文都總結了,而且講的非常好,最重要是有代碼實現! 支持向量機 zouxy

原创 機器學習中的範數規則化之(一)L0、L1與L2範數

轉自:http://blog.csdn.net/zouxy09/article/details/24971995 今天我們聊聊機器學習中出現的非常頻繁的問題:過擬合與規則化。我們先簡單的來理解下常用的L0、L1、L2和核範數規則化。最

原创 Latent Dirichlet Distribution

整理自吳立德老師講的概率主題模型 視頻連接:http://www.youku.com/playlist_show/id_22935176.html    

原创 PCA:Principle Component Analysis [2]

轉自:http://deeplearning.stanford.edu/wiki/index.php/PCA 中文版:http://deeplearning.stanford.edu/wiki/index.php/%E4%B8%BB%E6

原创 牛頓法與共軛梯度法

轉載出處:http://www.codelast.com/   在最優化的領域中,這“法”那“法”無窮多,而且還“長得像”——名字相似的多,有時讓人覺得很迷惑。 在自變量爲一維的情況下,也就是自變量可以視爲一個標量,此時,一個實數

原创 Gradient Descent

轉載:http://www.codelast.com/ 最速下降法(又稱梯度法,或Steepest Descent),是無約束最優化領域中最簡單的算法,單獨就這種算法來看,屬於早就“過時”了的一種算法。但是,它的理念是其他某些算法的組

原创 科學計算 -- Octave 的函數列表

轉載地址:http://ccckmit.wikidot.com/oc:lib 矩陣函式庫 函數 英文 說明 使用範例 ' transpose 轉置 A' + add 矩陣相加 A+B - minus 矩陣相減 A-B * mu