- 博客(34)
- 资源 (18)
- 收藏
- 关注
RSS订阅原创 Python迭代器
关于Python中的迭代器，有几个比较容易混淆的概念：可迭代对象（iterable）、迭代器（iterator）、生成器（generator），本文将对此做一个详细的讲解。...
2018-12-22 17:29:36
284
原创 几个常用数学知识点
机器学习跟数学有着紧密的关系，因此掌握一些常用的数学知识点，有助于我们理解某些模型的底层相关原理。1、泰勒公式2、鞍点3、范数...
2018-09-06 23:15:39
781
原创 《统计学习方法》系列（5）
本篇对应全书第五章，讲的是决策树。决策树（decision tree）是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。决策树学习常用的算法有ID3、C4.5和CART。1、理论讲解 ID3和C4.5生成的决策树只能用于分类问题，而CART生成的决策树既可用于分类...
2018-04-06 17:36:58
413
原创 《统计学习方法》系列（4）
本篇对应全书第四章，讲的是朴素贝叶斯法。朴素贝叶斯（Naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入xxx，利用贝叶斯定理求出后验概率最大的输出yyy。1、理论讲解1.1、模型原理 设输入空间X⊆RnX⊆Rn\mathbf X \subsete...
2018-04-03 20:16:16
264
原创 极大似然估计和贝叶斯估计
极大似然估计（Maximum Likelihood Estimation，MLE）和贝叶斯估计（Bayesian Estimation）是统计推断中两种最常用的参数估计方法，二者在机器学习中的应用也十分广泛。本文将对这两种估计方法做一个详解。 考虑这样一个问题：总体XXX的概率密度函数为f(x|θ)f(x|θ)f(x|\boldsymbol \theta)，观测到一组样本(X1,X2...
2018-04-01 16:59:06
560
原创 牛顿法和拟牛顿法
牛顿法（Newton method）和拟牛顿法（quasi Newton method）是求解无约束最优化问题的常用方法，有收敛速度快的优点。牛顿法是迭代算法，每一步都需求解目标函数的海塞矩阵（Hessian Matrix），计算比较复杂。拟牛顿法通过正定矩阵近似海塞矩阵的逆矩阵或海塞矩阵，简化了这一计算过程。1、牛顿法1.1、原理 牛顿法的原理是使用函数f(x)f(...
2018-03-29 22:15:56
1887
原创 《统计学习方法》系列（3）
本篇对应全书第三章，讲的是kkk近邻法。kkk近邻法（k-nearest neighbor，k-NN）是一种基本分类与回归方法，输入为实例的特征向量，对应于特征空间中的点，输出为实例的类别，可以取多类。kkk近邻法不具有显示的学习过程，它实际上利用训练集对特征向量空间进行划分，并作为其分类的模型。kkk近邻法1968年由Cover和Hart提出。1、理论讲解 距离度量、k值的...
2018-03-24 15:17:47
218
原创 最小二乘法（Least Squares Method）
最小二乘法，是机器学习中的一个基础概念——基础却很重要，本文将对其作一个详细的讲解，以便更好地掌握和利用。1、最小二乘 最小二乘，广义上来说其实是机器学习中的平方损失函数： L(Y,f(X))=(Y−f(X))2L(Y,f(X))=(Y−f(X))2L(Y,f(X))=(Y-f(X))^2 对应于模型fff的线性和非线性之分，最小二乘也相应地分为线性最小二乘和非线性最小二...
2018-03-17 17:48:43
5475
原创 梯度下降（Gradient Descent）（三）
在之前的博客中，我们分别讲了梯度下降的基本原理和三种变体。作为当今最流行的优化（optimization）算法（尤其是在深度学习中的应用），梯度下降存在很多问题和挑战，研究人员也相应地提出了许多优化方式，本文将对此作详细的讲解，作为梯度下降系列的最后一篇。 考虑到篇幅过长，且有几篇关于此的文章已经写得非常好，笔者仅在这里给出相应的参考文献及简要介绍，读者可自行前往阅读。 [1]...
2018-03-10 17:23:53
545
原创 梯度下降（Gradient Descent）（二）
在机器学习领域，梯度下降有三种常见形式：批量梯度下降（BGD，batch gradient descent）、随机梯度下降（SGD，stochastic gradient descent）、小批量梯度下降（MBGD，mini-batch gradient descent）。它们的不同之处在于每次学习（更新模型参数）所使用的样本个数，也因此导致了学习准确性和学习时间的差异。 本文以线性...
2018-03-04 21:58:30
382
原创 《统计学习方法》系列（2）
本篇对应全书第二章，讲的是感知机。感知机（perceptron）是二类分类的线性分类模型，对应于输入空间（特征空间）中将数据进行线性划分的分离超平面，属于判别模型。感知机1957年由Rosenblatt提出，是神经网络与支持向量机的基础。1、理论讲解1.1、感知机模型 假设输入空间（特征空间）是⊆RnX⊆Rn，输出空间是={1,−1}Y={1,−1}。输入x∈x∈X表示...
2018-03-04 16:27:31
295
原创 梯度下降（Gradient Descent）（一）
梯度下降法（gradient descent）或最速下降法（steepest descent）是求解无约束优化问题的一种最常用的方法，实现简单，属于一阶优化算法，也是迭代算法。1.梯度 在微积分中，对多元函数的参数求偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y)f(x,y)f(x,y)，分别对x,yx,yx,y求偏导数，求得的梯度向量就是(...
2018-02-08 10:04:50
511
原创 霍夫丁不等式（Hoeffding's inequality）
1.简述 在概率论中，霍夫丁不等式给出了随机变量的和与其期望值偏差的概率上限，该不等式被Wassily Hoeffding于1963年提出并证明。霍夫丁不等式是Azuma-Hoeffding不等式的特例，它比Sergei Bernstein于1923年证明的Bernstein不等式更具一般性。这几个不等式都是McDiarmid不等式的特例。2.霍夫丁不等式2.1.伯努利随机变
2018-02-03 16:39:05
11864
2
原创 《统计学习方法》系列（1）
最近在看李航老师的《统计学习方法》，为了让书本上的知识更好地沉淀，也便于和大家更好地交流，遂决定每看完一章则写一篇笔记，将书中值得思考的地方写下来。所写内容均包含笔者本人的理解，限于水平，难免有纰漏，望读者不吝指正。 本篇对应全书第一章，主要讲了统计学习方法的一些基本概念。1.基本概念a).统计学习方法主要有：监督学习（supervised learning）、非监督学习...
2018-02-02 14:41:18
291
翻译 Gensim官方教程中译版
Gensim是一个基于Python实现的工具包，正如其所描述的“topic modeling for human”，它上手很快，简单易学。整个包主要用于主题模型的计算，当然其中也实现了其它一些NLP中常用的算法（包括LSA，word2vec等）。为方便大家的使用，译者在此将其官网的教程翻译成中文，也算是为后来者做一点贡献。 限于译者的水平，翻译过程中难免存在错误纰漏，对于本文的任何建议，望读
2018-01-31 16:20:18
510
原创 Python 字符编码详解
接着之前写过的字符编码详解，这里我们来讲一讲“Python”中的字符编码问题。由于笔者使用的是Python2.7，而且较之于Python3，前者的字符编码问题显得更为复杂一些，因此本文所讲的“字符编码”基于Python2.7（以下简称“Python”）。
2017-11-28 10:36:16
858
原创 释伴：Linux 上的 Shebang 符号(#!)
使用Linux或者Unix系统的同学可能都对“#!”这个符号并不陌生，但是你真的了解它吗？
2017-11-02 18:22:44
29227
3
原创 MIME
MIME（Multipurpose Internet Mail Extensions，多用途互联网邮件扩展）是一个互联网标准，它扩展了电子邮件标准，使其能够支持：非ASCII字符文本、非文本格式附件（二进制、声音、图像等）、由多部分（multiple parts）组成的消息体、包含非ASCII字符的头信息（Header information）。
2017-10-30 15:05:44
707
原创 字符编码详解
相信很多程序员在面对“字符编码”这个问题时，都曾困扰过，甚至头疼不已。接着之前两篇博客（二进制文件和文本文件、文本文件换行符），本文将对“字符编码”做一个全面而细致的剖析，力求做到，让每位读者在读完此文后能有一种醍醐灌顶的感觉。
2017-10-12 15:50:34
4485
原创 二进制文件和文本文件
通常，我们喜欢把文件分为二进制文件（binary file）和文本文件（text file）两类。但事实上，所有文件在计算机上都是以二进制方式进行存储的，因此二者并无本质上的区别，它们的区别仅在于对文件内容的解释方式上。
2017-09-09 19:13:59
1259
原创 Linux Swap 解读
大多数 Linux 在系统安装时都会提醒并建议你划分一个 Swap 交换分区，那么，Swap 交换分区是什么，到底有什么用呢？本文将介绍有关 Linux 中 Swap 的一些知识 ，让读者对 Swap 能有一个清晰的了解和掌握。
2017-07-13 21:51:41
480
原创 Linux中硬链接与软链接的区别与联系
链接为 Linux 系统解决了文件的共享使用问题，还带来了隐藏文件路径、增加权限安全及节省存储等好处。链接分两种，一种被称为硬链接（Hard Link），另一种被称为符号链接（Symbolic Link），也即软链接（Soft Link）。本文，我们将详细讲解关于这两种链接的区别与联系。
2017-05-21 22:36:02
472
原创 Python 异常处理 （三）
上一篇（Python 异常处理 （二））中，我们了解了如何使用traceback模块和logging模块获取异常信息。这一篇，我们将讲述有关于with，assert，raise的相关知识。
2017-04-16 17:03:38
610
原创 Python 异常处理 （二）
上一篇（Python 异常处理 （一））中，我们讲了有关于异常的一些基本知识。这一篇，我们来讲一下如何使用Python中的traceback模块和logging模块获取详细的异常信息。
2017-04-11 13:57:57
458
原创 Python 异常处理 （一）
最近在使用Python的过程中，经常需要考虑在代码中加入异常处理的部分，故而特意抽了一些时间仔细查看了相关资料。如今写下这篇博客作为学习笔记，方便以后随时查阅。
2017-03-28 13:36:17
1397
An overview of gradient descent optimization algorithms
2018-03-11
An overview of gradient descent optimization algorithms（译文）
2018-03-11
Gensim官方教程中译版
2018-01-31
软件工程(Shari Lawrence Pfleeger著）第4版课后完整版答案
2016-12-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人