linuxcumt1的专栏

原创 Probabilistic Graphical Models 4 Structured CPDs

==================Overview: Structured CPDs============ 1.缺点：当父节点多时（k个），整个表有2^k这么多项！ 2.有好多其他可选择的方法 3.条件相互独立性 4.小例子 ================Tree-Structured CPDs================ 1.注意：中间节

原创 Stanford机器学习---第十六讲. PHOTO ORC

===========Problem Description and Pipeline ============== ============Sliding Windows=============== 瘦点排除 =============Getting Lots of D

原创 Probabilistic Graphical Models 3 Template Models

===============Template Models============= ==================DBN=============== ===============hmm============== ===========

原创 Probabilistic Graphical Models 2 Bayesian Network Fundamentals

================Semantics & Factorization============ 1.第一个简单贝叶斯网络 ==============Reasoning Patterns============== ===

原创 Probabilistic Graphical Models 1 简介

============Overview and Motivation============ 1.用图论+概率来解决 2.应用 =============Distributions============= ============================Factors

原创 Stanford机器学习---第十五讲. 大规模机器学习

============Learning With Large Datasets============ 1.数据为王 2.当M 很大时，梯度下降每一步的代价都很大。 若为左图，再添加更多数据没问题，但若为右图，则若想添加更多特征，先考虑 增加更多隐含层（神经网络）或增加更多特征，来解决HIGH BIAS问题。 ==============Stochastic Gra

原创 Stanford机器学习---第十四讲. 推荐系统

===============Problem Formulation================ 1.推荐系统自动学习哪些特征是重要的。对下图来说， 是推测出打？号（没看过）的该得多少分。注意：是对特定的 用户推荐。特定的用户有特定的爱好。   =================Content Based Recommendations======================

原创 神经网络6--离散Hopfield神经网络

% ------------------------standard number array----------------------- one=[-1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;.

原创 神经网络5--som

原创 Stanford机器学习---第十三讲. 异常检测---此讲综合应用了所有以往知识

=============问题描述============ ====================高斯分布=================== ==============检测算法================== ===============具体实现=====用评估算法来确定参数的选择=========

原创 Stanford机器学习---第十二讲. 数据降维

===============Motivation I: Data Compression================= 1.降维后，需要的数据存储量大大减少。内存、硬盘空间，程序速度优化。 =================MotivationII: Visualization====== 1.可视化一般降到2或3维 ===主成分分析Princ

原创 旧笔记-----http://blog.csdn.net/linuxcumt

博客空间问题，新笔记移到http://blog.csdn.net/linuxcumt1