Danliwoo-CSDN博客

原创搬家公告

咳咳，以后这里不准备更新啦，欢迎光临我的新博客 baileyswu.github.io明明是一样的内容，就不在多网站同步啦。以前写的东西也不打算搬过去。就像第一篇博客写的那样——而今迈步从头越！...

2018-12-21 13:14:49 662

原创 Git 服务器搭建

本博客是摘自 runoob 教程后的注解。经过亲测，可以加上几个小操作做到更 Easy…材料一台有公网 IP 的服务器（那么你在世界每个角落都可以访问）或者一台有内网 IP 的服务器（那么你只有在内网或者通过 VPN 可以访问，就看能不能 ping 到）linux 系统的 root 权限成品一台提供Git服务的服务器。步骤接下来将以 Centos 为例搭建 Git 服务器。...

2018-11-10 20:17:05 466

原创 D-separation 概率图模型判断条件独立性

英文转载自 andrew.cmu.eduContentsHistory and MotivationD-separation Explained, with AppletFormal Definition of D-separation, with Applet中文小结（当然是我写的）ReferencesHistory and MotivationIn the early 19...

2018-10-10 17:06:26 5633

这是一篇发布在 Nature 上面的文章，作为计算机研究僧，其实不怎么了解 Nature 那一套，然而这篇文章，仅仅是介绍什么叫 HMM ，就光荣发布了，当时距离 HMM 被提出应该也有十几二十年了吧，隔行如隔山，看来生物领域还是很需要计算机专业的人才。稍微扯一点，最近在看《未来简史》，作者在书中就有一个看法，以后人类的发展就要靠计算机和生物科学家，人脑是计算机，而计算机也是人脑。文章来自 ...

2018-10-08 21:20:00 1993

原创隐马尔可夫模型（HMM） python实现

学习目标：介绍HMM的定义与符号讨论HMM的三个基本问题概率计算问题：前后向算法学习问题：Baum-Welch模型，EM算法计算参数预测问题：Viterbi算法每种算法用代码实现参考李航的《统计学习方法》（在这里吐槽一下HMM那章下标 iii 乱用，有些算法不是很ok）目录目录基本概念生成观测序列概率计算问题前向概率后向概率前后向算法有什么用...

2018-09-16 23:34:57 6640 3

原创 Backpropagation python代码详解

BackpropagationBackpropagation is a method used in artificial neural networks to calculate a gradient that is needed in the calculation of the weights to be used in the network. It is commonly used ...

2018-07-26 11:02:11 2103

原创 Python 文件夹内容比较

Python 文件夹内容比较标签：Python参考网站官方文档第三方文档安装目录下的Doc文件夹内有一个文档python 命令行模式下先 import 对应的模块，再输入 help(xxx) dir(xxx) 询问。其中 help 模式下可以用空格上下页翻页，q键退出。传入参数写一个程序比较两个文件里的内容import sysfrom s...

2018-05-16 17:20:31 1169

原创 Python - play it for fun

Python: play it for fun标签：PythonIntroduction光给字典一样的教程不是很无聊嘛，不如一边玩一边学吧。看完这篇博客就可以完成一个小游戏噢~下载安装鉴于 numpy 过几年就要停止 python2 了，以后能用 python3 就用 3 不要犹豫。在官网下载好对应版本安装，windows 记得配一下环境变量。在 l...

2018-04-14 19:41:19 439

原创 Multi-view Learning 多视角学习入门

Multi-view Learning 多视角学习入门标签：机器学习在上海呆了一年了，从啥都不会到啥都不会，还是要回归博客，做做小结整理整理…… 多视角学习是老板的拿手好戏，最近布置的任务也和多视角相关。经过老板的一番吐槽，在找论文时候要注意其上过哪些会议，比较好的会议上论文的质量较高。经过多方求助，入门可以从最精（xuan）华（xue）的综述开始看起。 Xu C,

2018-02-07 12:03:58 18537 3

原创用Sublime搭配LaTex撰写文档

用Sublime搭配LaTex撰写文档标签：安装Windows界面下的LaTex IDE实在太丑，而且不带快捷键和快捷输入的，效率很慢。不过之前没折腾成功，今天在实验室电脑上好像出人意料的搞定了！感谢THS！下载MiKTeX （LaTex的语法编译器）Sublime Text 3 （程序员都说好的文本编辑器）LaTeXTools （sublime插件，可以在

2018-02-06 11:00:36 953 1

原创陆吾生讲座最优化问题的数学基础

Ⅰ. Taylor expansion对于光滑函数可以进行泰勒展开。任意函数只要可以求导，放大看它的局部必是高阶的多项式求和的形式，根据要求的拟合误差决定需要的阶数。One-variable casef(x+δ)=f(x)+f′(x)δ+12f′′(x)δ2+…f(x+\delta)=f(x)+f'(x)\delta+{1\over 2}f''(x)\delta^2+…Multi-variabl

2017-11-08 21:41:09 4429 3

原创直方图均衡化

变换函数一幅给定的图像的灰度级 r 分布在[0,1][0,1]范围内。可以对任一个 r 值进行如下变换：s=T(r) r∈[0,1]s=T(r)~~~~~~~r\in[0,1]使得每个原始图像的像素灰度值 r 都对应产生一个 s 值。变换函数T(r)T(r)要求满足下列条件： 1.T(r) T(r)单调递增； 2. 对于r∈[0,1]r\in[0,1]，有T(r)∈[0,1]T

2017-10-19 14:37:26 1130

原创爱奇艺2018秋季校招算法工程师（第二场）编程题题解

第一题题意一堆石子共N颗，两人(niu和yang)轮流取石子，规则是每次取4i(i为非负整数)4^i(i为非负整数)颗，直到轮到的人不能取则为输。两个人都是聪明人。给出N，求赢家名字。思路明显是博弈题，SG函数解决，先打表找规律。b[i] 用来实现mex函数的辅助数组 sg[i] i的sg值 dp[i] 4i4^ifor(int x = 1;x < 1000;x++) { memset(

2017-10-14 22:12:54 1694

原创 Python networkx 实现网络流

标签: 网络流 Python最近帮同学做作业……发现国外的算法平台确实做得很完善……在这个平台里，你可以写一些脚本让文件相互调用，对于现有的算法，比如跑最大流的ford-fulkerson算法，可以很轻松地调用已有的算法包来实现……简直是健忘星人的福音……还要啥自行车……当然我不知道这个复杂度为什么是O(m2logC)O(m^2 logC)…… To aid you in your task y

2017-10-12 20:47:50 3772

原创 C语言下用MySQL对数据库操作

标签：工程编译环境需要头文件#include <mysql/mysql.h>命令行编译，使用下面的命令gcc test.c -o test -I/usr/local/include/mysql -L/usr/local/lib/mysql -lmysqlclient (-lz) (-lm) 参数在Linux环境下可以写到Makefile文件里#Makefile 注意要写第6行，其他的视文件名而定。

2017-09-18 13:34:53 925

原创 java this的用法

标签：Java如下写了三个构造器Test(int i)，Test(String s)，Test(int i, String s)，其中第三个构造器以this(i)调用了第一个构造器，并且只能在最开始调用一次，不能再继续调用第二个构造器了。且只有在构造函数里能够用this(.)调用构造器，一般的函数里不能调用构造器（line 9）。如果传入参数和类属性的名称一样，产生冲突，则用this.xxx来指代类

2017-05-06 10:50:12 542

原创 GPDM for human motion

标签：机器学习原文为 Wang et al., 2008b J. M. Wang, D. J. Fleet, and A. Hertzmann. Gaussian process dynamical models for human motion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 30:283–398,

2017-04-25 10:16:44 1419

原创关于DLL的一些尝试

标签：工程什么是DLL（跟ddl很相近哈……）由独立的程序模块创建得到动态链接库（Dynamic Linkable Library）文件，可单独进行编译和测试。只有在EXE 程序确实要调用这些DLL模块的情况下，系统才会将它们装载到内存空间中。只要遵循约定的DLL接口规范和调用方式，用各种语言编写的DLL都可以相互调用。譬如Windows提供的系统DLL（其中包括了Windows的API），在任

2017-04-09 21:43:09 739

原创 Python入门小菜笔记

标签： Python安装与运行在Ubuntu下跑的，貌似装了一些软件以后已经有装好的Python了，直接在控制台上输入python2或者python3进入相应的版本，第一行即给出了具体的版本号，最新的是Python 2.7.12或Python 3.5.2，目前2具有更好的兼容性。python写的程序为*.py，终端进入对应文件夹下python2 *.py即可运行。另外又装了一款多平台IDE, Pyc

2017-02-19 16:58:03 899

原创桑心の复习一月

标签：随笔今天终于考完了机器学习… 先说说复(yu)习(xi)的这个月，鼓起勇气来补这个大坑，但不知道从哪里开始看，手头有的资料：PRML英文书和答案，PRML山寨翻译，Andrew NG视频讲义作业，后期收到的往年试题，上课ppt的照片版，一套风格及其相似的ppt。按照一贯的对于这类理论课的重视程度，又因为是每周跑去上海上的课，后期车费又不知道能不能报销，不能草草了事，所以下定决心要看懂。于是翻

2017-01-06 23:00:54 902 4

原创 Pattern Recognition and Machine Learning 第八章贝叶斯网络

标签：机器学习重点：条件独立和概率分解和积算法最大和算法图模型概率论可以使用两个简单的方程(加和规则和乘积规则)表示，可以完全通过代数计算来对更加复杂的模型进行建模和求解。概率图模型是可以用来帮助分析的工具，它提供了几个有用的性质:将概率模型的结构可视化，可以用于设计新的模型。通过观察图形，可以更深刻地认识模型的性质，如条件独立性质。用图计算表达复杂计算，隐式地承载了数学表达式。类

2017-01-04 23:56:46 815

原创 Pattern Recognition and Machine Learning 第四章线性分类模型

标签：机器学习线性分类模型分类的目标是将输入变量 x 分到 K 个离散的类别CkC_k中的某一类。线性分类模型中决策面是x的线性函数，为 D 维输入空间中的 (D − 1) 维超平面。采用决策论分类时，也是要先推断（即训练学习）再做决策。有三种方法得到决策：判别函数，不用概率，直接定义函数进行分类生成式法：∑p(x,Ck)→p(x)→p(x|Ck)→p(Ck|x)\sum p(x,C_k)→p

2017-01-04 02:30:20 1251

原创一些数值计算的知识

标签：机器学习计算机进行计算时有几个问题：用理论上等价的算法，在实际计算中会产生误差。如何保证数值稳定性？数据量大难以计算？利用迭代算法了解并运用一些数学知识有助于更好地进行机器学习。正定矩阵 A是对称正定矩阵1，则AT=A,vTAv>0(v≠0)A^T = A,v^T Av > 0 (v \neq 0)性质：所有特征值大于0存在满秩矩阵X，A=XXTA=XX^T可作为高斯分布的

2017-01-03 12:05:37 939

原创 Pattern Recognition and Machine Learning 第三章线性回归模型

标签：机器学习线性回归模型线性，即关于参数的线性函数；回归，表示需要预测的量是连续的。建模后可以对任意未知的变量求出目标量，或者是目标的概率分布以表示结果的不确定性。线性基函数模型y(x⃗ ,w⃗ )=w0+∑wjϕj(x⃗ )y(\vec x, \vec w) = w_0 +\sum w_j \phi_j (\vec x)其中ϕj(x⃗ )\phi_j (\vec x)为基函数，参数w中有w0w

2017-01-02 17:54:48 1015

转载交叉验证(Cross-validation)

标签：机器学习概述交叉验证是一种用来评价一个统计分析的结果是否可以推广到一个独立的数据集上的技术。主要用于预测，即，想要估计一个预测模型的实际应用中的准确度。它是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析，而其它子集则用来做后续对此分析的确认及验证。交叉验证的理论是由Seymour Geisser所开始的。它对于防范testing hypotheses sug

2017-01-02 17:54:19 1282

原创 Pattern Recognition and Machine Learning 第二章概率分布

标签：机器学习概率分布这章主要介绍一些常用的分布模型。对于变量x的N次观测形成独立同分布的向量x⃗ =(x1,...,xN)\vec x=(x_1,...,x_N)，以此对x做一个密度估计，求出p(x)p(x). 密度估计⎧⎩⎨⎪⎪⎪⎪参数方法⎧⎩⎨⎪⎪给出分布形式，通过最大似然、最大后验等调整参数大小（多为指数族分布）离散变量：二项式、多项式分布连续变量：Gauss分布非参

2016-12-30 22:25:09 1283

原创 Pattern Recognition and Machine Learning 第一章学习小记

标签：机器学习一直没有勇气看这本书的英文，直到翻译了一篇论文以后，发现看英文其实只要抓关键词理解就可以明白个大概。再次感谢扇贝帮助我复习词汇，以及PRML中文翻译的PDF……前言第一章作为绪论部分，对机器学习需要的基础知识作了铺垫，从课后的习题来看，需要用到高等数学、数学分析、概率与统计等一大波数学知识，这本书在做题时会引导性地给出证明过程，很友好。以这些知识为基础，主要介绍了概率论、决策论、

2016-12-13 23:32:38 2098

原创 HDU 5954 Do not pour out 积分二分 — 2016ACM-ICPC亚洲区沈阳站

标签：解题报告数学原题见HDU 5954高为2，底面圆直径为2的开口杯，平放时里面装有高为d的水。问倾斜到不能再倾斜时（水不能溢出），水的表面积为多少？分析水面有两种可能的形状：椭圆或椭圆的一部分。其临界状况为：此时椭圆经过杯底与杯口，得到被子恰好倾斜45°，空杯体积和水体积对称相等，故d=1d=1。d>1d>1时为椭圆。（杯子倾斜画得累了，直接让水倾斜吧）如图水面与杯底倾角

2016-11-01 23:51:46 4389 4

原创 Codeforces 730 J. Bottles DP 0-1背包- 2016-2017 ACM-ICPC, NEERC, Southern Subregional Contest

标签：解题报告 DP原题见CF 730有n个瓶子，各有水量和瓶体积。把水从一个瓶倒到另一个瓶。首先要使得最后不空的瓶子数最少，其次要倒水量最少。求瓶子数和倒水量。分析确定瓶子数。对瓶子的体积排序，前km个瓶子体积V恰好不小于总水量之和wt，则km即为最少的瓶子数。确定倒水量 dp[i][j][k]表示前i个瓶子选取k个（且第i个为所选第k个），使得k个瓶子体积和为j，可以容纳的最大水量。

2016-10-24 00:54:06 2117

原创 POJ 3207 Ikki's Story IV - Panda's Trick 强连通分量或并查集+2sat

标签：解题报告图论原题见POJ 3207有n个点围成一个圈，给出m条可以弯曲的边，使得点两两相连。这些边可以在圆内画，也可以在圆外画。问是否有可以让边不相交的画法。分析每条边都有两种选择，画在内部或者外部。以这两种状态来标记边，共有m对状态，对第i条边，以2i, 2i+1来标记两种状态。而且这种状态必须选一种作为结果。这符合2-sat的说法。判断是否有两条边i，j会相交。若相交，则在图中添加四条有

2016-10-12 20:13:41 849

转载先验概率、似然函数与后验概率

标签：机器学习先验概率 Prior probability在贝叶斯统计中，先验概率分布，即关于某个变量 p的概率分布，是在获得某些信息或者依据前，对 p的不确定性进行猜测。例如， p可以是抢火车票开始时，抢到某一车次的概率。这是对不确定性（而不是随机性）赋予一个量化的数值的表征，这个量化数值可以是一个参数，或者是一个潜在的变量。先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断。在应

2016-10-11 17:11:17 870

原创 Codeforces 724C Ray Tracing 扩展欧几里得

标签：解题报告数学原题见CF 724Cn*m的矩形内有k个点，四周有围墙围起来。从(0,0)45度发射小球，速度为2√\sqrt 2每次遇到墙都正常反弹，直到射到顶点被吸收。问每个点第一次被经过的时刻。分析把矩形对称展开，最后小球在横纵坐标均为maxx=mn/gcd(m,n)maxx=mn/gcd(m,n)处被吸收。原坐标为(x,y)(x, y)的小球经过轴对称展开，其坐标为(2kn±x,2

2016-10-08 23:50:57 2638

原创 Problem D Curious Cupid from 2016 Asia Hong Kong Online Preliminary 莫队

标签：数据结构解题报告处理范围处理一类无修改的离线区间询问问题流程已知[L, R]区间内的答案；O(1)内可以得到[L-1, R], [L+1, R], [L, R-1], [L, R+1]区间内的答案；通过从[L, R]到[L’, R’]的曼哈顿路径得到区间[L’, R’]内的答案，复杂度O(|L-L’|+|R-R’|)。对询问区间分块排序后再询问，复杂度O(nn√n\sqrt n)(a

2016-10-03 17:14:15 1207

原创 ML入门小菜一枚

标签：机器学习早(zhong)上(wu)起床看了看视频，小结一发~机器学习是人工智能领域延伸出来的，作为一种工具可以和多学科交叉起来使用，常见的应用比如识别手写、自动飞行、医疗诊断、商品推荐等等。它用到的是一种学习型算法，需要的基本知识有线性代数、概统、数据结构和算法等。定义机器自动学习，无需直接的编程。比如下棋时，总选择赢的概率大的局面。Sec 1. Supervised Learning 监

2016-10-03 12:18:35 1180

原创尘埃落定

令人崩溃的半个月，还是过来了…… 这半个月，感受过情绪失控，焦灼，盲目，失望，到最后想通，豁然开朗，也就一念之间。从五月份南大开放日开始，保研拉锯战开始。从lamda到开放日，都被拒。只要top1，也是很蛋疼。我承认lamda的拒绝信文采翩翩：“很遗憾……不是对你实力的评判，仅仅在试探一种缘分……”其实看到前三个字我就懂了，何必肉麻……浙大的老师去了12封，一个都没回，也许是内容不够有诚意，也许是

2016-10-01 21:32:31 1453 9

原创线性代数

矩阵类重载运算符，使得矩阵的运算可视化更佳。#define M 10struct Matrix{ int n, m; int a[M][M]; Matrix(){} Matrix(int p[M][M], int x, int y) { memcpy(a, p, sizeof(a)); n = x, m = y; }

2016-08-19 16:15:52 787

原创 HDU 5833 Zhu and 772002 高斯消元

原题见HDU 5833在nn个数中选择几个数aia_i相乘得到平方数，问有多少种取法。最大的素因子不超过2000，最后答案mod 1000000007。 (1≤n≤300,1≤ai≤1018)(1 \leq n \leq 300, 1 \leq a_i \leq 10^{18})分析所有数的因子不超过2000，则可以打表得到所有可能的因子共pn个。并得到每个因子属于第几个。对每个数整数分解，

2016-08-15 20:57:13 832

翻译 1. 取走博弈(Take-Away Games)

说好的翻译小能手今天上线啦~ 声明一下，窝是业余滴…练习题是自己做的…不对请留言…source: comb.pdf组合博弈是双人游戏，有完善的游戏规则和输赢作为结果。博弈由一系列的状态集（局面）和操作者所决定。每次操作从一个状态转移到另一个状态，直到抵达最后的终态。终态是一个不能再继续操作得到其他状态的局面。那么此时可以宣布其中一人胜出。对于组合博弈有两种主要的引用，一个是On Numbers an

2016-08-04 23:09:33 2828

原创 HDU 5768 Lucky7 数论中国剩余定理

原题见HDU 5768求[l,r]范围内是7的倍数，同时不满足任意一个给定的同余式的数的个数。如范围为[1,100]，不满足模3余2或模5余3的7的倍数有7,21,42,49,70,84,91 ，故答案为7. 其中除数都为非7的素数(≤105)(\le 10^5)，除数的乘积小于101810^{18}.同余式最多有15个。分析所有[l,r]范围内7的倍数减去满足任意一个同余式的数，即得到了答案。而

2016-07-28 19:03:33 2536 3

原创 CF 429B. Working out DP

原题见CF 429B给一个n*m的方格，A从左上角走到右下角，B从左下角走到右上角，路线交叉处的权值不算，问两条路线权值之和最大值。要求：两条路线只在一点交叉。分析可以枚举交叉点，求该点到四个角落的权值之和。到每个角的权值都可以dp得到最大值。从左上角顺时针得到0,1,2,3四个方向。一开始没注意到题意里的只在一点交叉，妥妥跪了。 CF题解里的图片灰常清晰两幅图的权值之和分别是： dp[

2016-07-26 10:43:04 1308

[免费下载]自动机理论、语言和计算导论

华东师范大学计算理论基础教材《自动机理论、语言和计算导论》原书第三版华东师范大学计算理论基础教材《自动机理论、语言和计算导论》原书第三版

2017-09-25

Pattern Recognition And Machine Learning

The dramatic growth in practical applications for machine learning over the last ten years has been accompanied by many important developments in the underlying algorithms and techniques. For example, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic techniques. The practical applicability of Bayesian methods has been greatly enhanced by the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation, while new models based on kernels have had a significant impact on both algorithms and applications., This completely new textbook reflects these recent developments while providing a comprehensive introduction to the fields of pattern recognition and machine learning. It is aimed at advanced undergraduates or first-year PhD students, as well as researchers and practitioners. No previous knowledge of pattern recognition or machine learning concepts is assumed. Familiarity with multivariate calculus and basic linear algebra is required, and some experience in the use of probabilities would be helpful though not essential as the book includes a self-contained introduction to basic probability theory., The book is suitable for courses on machine learning, statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. Extensive support is provided for course instructors, including more than 400 exercises, graded according to difficulty. Example solutions for a subset of the exercises are available from the book web site, while solutions for the remainder can be obtained by instructors from the publisher. The book is supported by a great deal of additional material, and the reader is encouraged to visit the book web site for the latest information.

2016-10-03

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人