- 博客(18)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Ubuntu16.04+Tensorflow（GPU）安装教程
安装NVIDIA驱动1、 通过GPU-Z等途径查看自己显卡型号2、 通过NVIDIA官网查看自己显卡对应的驱动网址：http://www.nvidia.com/Download/index.aspx?lang=en-us3、 执行如下语句，安装sudo add-apt-repository ppa:graphics-drivers/ppasudo
2017-10-28 23:10:56
420
原创 机器学习——支持向量机SVM之核函数
1、在现实任务中，原始样本空间也许不存在一个能正确划分两类样本的超平面，虽然“软间隔”概念的引入在一定程度上缓解了该问题，但是当样本分布的非线性程度很高的时候，“软间隔”也无法解决这一问题2、对于这类问题，SVM的处理方法是选择一个核函数，其通过将数据映射到更高维的特征空间（非线性映射），使得样本在这个特征空间内线性可分，以解决原始空间中线性不可分的问题3、建立非线性学
2017-10-20 14:25:10
675
1
原创 机器学习——特征工程之核化线性降维KPCA
一、前言1、 线性降维的假设：从高维空间到低维空间的函数映射是线性的2、 然而，现实任务中大多数可能需要非线性映射才能找到恰当的低维嵌入3、 低维嵌入：低维（“本真”）空间样本点采样后以某种分布嵌入（映射）到高维空间中二、KPCA原理1、 非线性降维常用方法之一：基于核技巧对线性降维方法进行“核化”2、 PCA求解目标：
2017-10-12 19:03:16
4287
原创 机器学习——特征工程之线性判别分析LDA
一、前言1、 线性判别式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher线性判别(Fisher Linear Discriminant, FLD)，是模式识别的经典线性学习算法，也是一种监督学习的降维技术。2、 基本思想：将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有
2017-10-11 23:18:26
838
原创 机器学习——特征工程之独立成分分析ICA
一、简介1、独立成分分析(ICA)的起源独立成分分析（Independent Component Analysis），最早应用于盲源信号分离（Blind Source Separation，BBS）。起源于“鸡尾酒会问题”，描述如下：在嘈杂的鸡尾酒会上，许多人在同时交谈，可能还有背景音乐，但人耳却能准确而清晰的听到对方的话语。这种可以从混合声音中选择自己感兴趣的声音而忽略其他声音的
2017-10-10 22:49:10
1948
原创 机器学习——特征工程之主成分分析PCA
一、PCA简介1、 定义：主成分分析是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为线性不相关，转换后的这组变量称为主成分。2、 主要应用场景：数据压缩；消除冗余；消除数据噪声；数据降维，可视化3、 理论基础：最大投影方差理论、最小投影距离理论和坐标轴相关度理论4、 直观理解：找出数据里最主要的成分，代替原始数据并使损失尽可能的小 a) 样
2017-10-10 22:14:53
1508
原创 机器学习——特征工程之概述
一、特征工程是什么？1、特征：我们根据事物所具有的共性所抽象出来的能代表这一事物的概念2、数据和特征决定机器学习的上限，模型和算法只是逼近这个上限而已。特征工程的本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。3、特征工程流程：原始数据->预处理->特征提取->特征选择与降维->建立模型二、特征工程有什么？
2017-10-10 21:49:14
414
原创 OpenCV2入门——core组件之基础画图与算法实现
一、OpenCV基础画图函数介绍1、画直线函数CV_EXPORTS_W void line(CV_IN_OUT Mat&img, Point pt1, Point pt2,const Scalar&color, int thickness=1,int lineType=8, int shift=0);1)img：输入输出图像，在该图像上画直线；2)pt1、pt2：直线的起始
2016-12-08 09:52:56
987
原创 OpenCV2入门——core组件之Mat详解
本文主要讲解了Mat类的数据结构与一些常用的成员函数。本人之所以用一片博客的篇幅来介绍Mat这个类，主要是因为在opencv2里面Mat是最常用、最基础也是最实用的一种抽象数据类型，对其强大的功能任何一个opencv爱好者都是赞不绝口的。
2016-12-02 10:34:51
2126
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人