- 博客(16)
- 收藏
- 关注
RSS订阅原创 EM算法学习笔记
学习目标掌握EM算法的原理、推导过程以及实现方法1.EM算法EM算法（Expectation Maximum,最大期望)是比较常见的隐变量估计算法，属于生成式模型，可以用来学习高斯混合模型(GMM)的参数，其思想也用于隐马尔可夫等参数估计模型中。1.2 极大似然估计1.3 Jesen不等式2.实战...
2021-02-19 20:05:31
221
原创 超像素分割学习笔记
学习目标掌握超像素分割的原理、超像素分割方法的推导过程以及实现方法1.1 超像素超像素是指将具有相似纹理、颜色、亮度等特征的相邻像素聚合成某一个像素块。结合超像素的思想，使得少量的像素块可以用来代替原本大量的像素。目前超像素广泛应用于图像分割、目标识别等领域。1.2 SLICSLIC（Simple Linear IterativeClustering，简单线性迭代聚类)是超像素分割中使用比较多的方法，主要特点（优点）如下：1.基于LAB颜色空间2.运行速度快，生成的超像素紧凑3.思想比较简
2021-02-05 20:35:31
1393
原创 聚类学习笔记
学习目标掌握聚类的原理、聚类算法的推导过程以及实现方法聚类1.1 聚类基本原理1.2 实战def get_init_center(n_cluster): init_center_number=np.random.randint(0,len(data)-1,size=n_cluster) #ndarray center=[np.array(data.iloc[i,:]) for i in init_center_number] #list 确定了两个初始中心点 retu
2021-01-29 21:47:44
219
原创 半监督学习&&《机器学习》第二章习题总结
学习目标掌握半监督学习、S3SVM的原理及推导过程。总结回顾第二章知识，完成第二章课后习题半监督学习1.1 基本原理在机器学习领域，获得大量的有标注的数据存在一定的ku半监督学习是指新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；增加了 图片拖拽 功能，你可
2021-01-22 22:07:13
425
原创 特征选择学习笔记
学习目标掌握特征选择的基本原理及方法，实现特征选择的过程特征选择原理对于一个学习任务而言，有些特征可能很关键，但有些特征对于最后的分类可能并没有什么用，我们称前者为相关特征，后者为无关特征，特征选择是一个选择相关特征，去除无关特征的过程。为什么要进行特征选择？1.降维。 同PCA2.减少任务的难度。 较少的干扰会降低任务的难度无关特征不同于冗余特征，无关特征是指与学习任务无关的特征，而冗余特征是指可以从当前特征中推演出来的特征。去除冗余特征在很大程度上可以降低任务的难度，但是若冗余特征充当了
2021-01-01 21:06:09
200
1
原创 贝叶斯决策论&朴素贝叶斯分类器 学习笔记
学习目标掌握贝叶斯决策论的原理、朴素贝叶斯分类器的推导过程以及实现方法贝叶斯决策论1.1 贝叶斯决策的基本原理贝叶斯决策是分类问题中最为常见的方法之一，是在概率框架下实现决策的基本方法，其根本思想就是帮助人们在已知条件下做出一个最佳决策贝叶斯决策基于一个最基本的公式，p(x∣y)p(x|y)p(x∣y)=p(x)∗p(y∣x)p(y)\frac{p(x)*p(y|x)}{p(y)}p(y)p(x)∗p(y∣x)1.1.1 先验概率、后验概率先验概率：指事情没有发生之前，仅仅凭借自己的主观经
2020-12-25 19:52:05
266
2
原创 集成学习之bagging、随机森林学习笔记
学习目标掌握集成学习中bagging 、随机森林、决策树算法的推导过程以及实现方法1.bagging上一篇中提到，按照基学习器的组合方式，集成学习可以划分为boosting 和 bagging 两种形式，boosting的基本原理和使用方法详见上一篇1.1 基本原理bagging 和boosting 不同，它是指按照并行的方式组合基学习器，各个学习器学习和训练的过程是独立的。在组合基学习器时采用了平均的决策策略（如投票法、平均法等）为了强调基学习器的多样性，使得基学习器好而不同，bagging采
2020-12-18 15:31:39
91
原创 集成学习 Adaboost (Adaptive boosting) 学习笔记
学习目标掌握集成学习的基本原理以及adaboost的推导过程、实现方法1.集成学习原理1.1 基本原理集成学习，就是将多个学习器集成在一起，共同完成某个学习任务，通过"集成"的方式获得一个更好的学习结果集成学习首先通过训练”个体学习器"（又称之为"基学习器"或"弱学习器"），个体学习器一般是指比较成熟的分类器（如决策树、BP神经网络等），在个体学习器训练结束后，根据某种策略将其结合起来，组成集成学习器（又称之为"强学习器"）1.2 分类器的要求根据经验，将好坏都有的物品混合在一起，最终的结果肯
2020-12-11 11:12:39
208
4
原创 KNN(K-Nearest Neighbor) &ML_KNN（Muti Label K-Nearest Neighbor) 学习笔记
学习目标掌握KNN以及ML-KNN的基本原理、推导过程以及实现方法1. KNN 基本原理KNN是机器学习中比较基本的一种分类方法，它利用了“近墨者黑，近朱者赤”的思想，使得测试样本的未知标签由其邻居来决定。1.1 寻找邻居所谓“邻居”，就是距离测试样本最近的K个训练样本。那么如何计算样本到其邻居之间的距离呢？1.1.1 欧式距离欧式距离是使用最为普遍的一种距离计算方法，它描述了两个点之间的直接距离。在二维空间中，两点的直接距离为：distance=((x1−x2)2+((y1−y2)2)
2020-12-03 21:07:18
537
1
原创 主成分分析 PCA（Principal Component Analysis）学习笔记
学习目标掌握主成分分析的基本原理、公式推导和具体的实现1. PCA的基本原理PCA（Principal Component Analysis）即为一种降维操作，本质上就是基的变换，的论文中列出了PCA的几个主要作用：Simplification ModelData ReductionVariable selectionReduce Noise特别多的应用在了复杂的逻辑回归模型中，用于挑选变量，简化掉一些对最终结果贡献比较小的变量（可以看作，使得挑选之后的每个变量都是相互独立的（线性无关
2020-11-27 10:48:46
355
原创 Support Vector Machine学习笔记
学习目标掌握SVM的基本原理以及推导过程1.SVM的基本原理：SVM本质上是一种二分类模型，基本模型是定义在特征空间中间隔最大的分类器，他的学习/优化目的就是使得这个间隔最大化。为什么要使间隔最大化呢？ 这是为了更准确的分类，能够容忍数据集中的一些噪声，提高模型的泛化能力1.1 SVM的分类SVM可以分为三类： 线性可分（硬间隔）、线性不可分（软间隔）、非线性（使用核技巧）线性可分(通俗解释）： 两类实体可以被一条直线完全分开线性可分（学术解释）： D0D0D0 和 D1D1D1是n维欧
2020-11-19 19:32:37
156
原创 Win 10 安装NVIDIA cuda cudnn tensorflow-gpu 2.0
Win 10 安装NVIDIA cuda cudnn tensorflow-gpu 2.0安装NVIDIA方法一方法二方法三方法四安装cuda安装cudnn安装 tensorflow-gpu 2.0安装NVIDIA最近想入门一下深度学习，所以就先更新了一下显卡NVIDIA类型 ：GeForce 940MX；更新后的驱动程序版本：456.81；NVIDIA download：link下载过程很简单，直接下一步即可，下载时间取决于网络通畅程度踩坑：更新之后，桌面右击的菜单栏中没有NVIDIA
2020-11-07 12:03:46
390
1
原创 2020夏令营记录&感想
2020夏令营记录&感想本科情况1.天津大学（医工所）面试内容感想2.兰州大学（计算机科学与技术）面试内容感想3.哈尔滨工业大学（计算机科学与技术）面试内容感想4.北京协和（医学信息研究所）面试内容感受5.东南大学（计算机科学与技术-图像处理方向）面试内容感受本科情况本科&专业：卑微双非，医学信息工程绩点：4.21/5 （排名1/64），一次交换经历四六级：507、535**科研：**国创两项（一项第一负责人）、软著一项、核心论文两篇（一作）**竞赛：**创青春、省校级数学建模
2020-08-21 23:13:22
909
原创 基于肺癌语料库的CRF模型
目标：前两天老师给了我数据，让我构建一个CRF模型，并且用十折交叉验证计算出每一组数据的recall/precision/f1-score,最后用平均值加减标准差的形式展示。过程：1.读取所有数据2.训练CRF我用80%做了训练集，20%做了测试集因为采用的是已经标记过的肺癌语料库 所以把标记单独列出来了，用于后面PRF三个指标的计算3.构建模型4.十折交叉验证from sklear...
2019-08-14 09:56:52
398
1
原创 关于Pycharm 中Django 无法正常安装的问题
Pycharm中的Django无法正常安装今天debug的时候遇到一个问题，就是Pycharm中安装不上django，在命令行直接pip install Django也不行,搞了好久一直找不到原因，后来发现是安装源的问题，所以就去寻找了别的源（嘻嘻嘻嘻）直接在命令行中输入：pip install django -i https://pypi.tuna.tsinghua.edu.cn/sim...
2019-07-18 08:53:28
6656
5
原创 flask框架实现前后端数据的传递
flask框架实现前后端数据的传递这几天一直在基于flask框架实现一个登陆和注册界面，并且以管理员的身份对数据库中的数据实现增删改查。刚刚开始着手的时候，如何实现前后端数据的传递这个问题困扰了好久，现在已经解决，所以记录一下防止以后用到。前端（即html界面）传值到后端因为现在才刚刚学习所以只掌握了ajax这一种方法（路过的大佬轻喷），具体的步骤如下：1.给文本框设定id，通过id在aj...
2019-07-10 20:20:32
9636
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人