- 博客(4)
- 收藏
- 关注
RSS订阅转载 如何生成随机数（上）
要澄清的是，我这里并不是要讲“伪随机”、“真随机”这样的问题，而是关于如何生成服从某个概率分布的随机数（或者说 sample）的问题。比如，你想要从一个服从正态分布的随机变量得到 100 个样本，那么肯定抽到接近其均值的样本的概率要大许多，从而导致抽到的样本很多是集中在那附近的。当然，要解决这个问题，我们通常都假设我们已经有了一个生成 0 到 1 之间均匀分布的随机数的工具，就好像 rando
2015-05-08 11:32:16
458
转载 支持向量机(SVM)基础
前言： 又有很长的一段时间没有更新博客了，距离上次更新已经有两个月的时间了。其中一个很大的原因是，不知道写什么好-_-，最近一段时间看了看关于SVM(Support Vector Machine)的文章，觉得SVM是一个非常有趣，而且自成一派的方向，所以今天准备写一篇关于关于SVM的文章。 关于SVM的论文、书籍都非常的多，引用强哥的话“SVM是让应用数学家真正得到应用的一种算
2014-07-08 11:06:13
384
转载 矩阵的奇异值分解
下面证明 ， 其中代表单位矩阵。 因为是对称矩阵的不同特征值对应的特征向量，根据定理一，我们得出他们是相互正交的，又因为 ， 然后，然后根据定理四，我们便得到 所以： 。 证毕。 注：奇异值分解在自然语言处理和推荐系统中有广泛应用，例子我就不敲了，网上很多。矩阵怎么分解都知道了，那它的应用，我想也不是问题。
2014-06-26 19:29:27
589
转载 SVD奇异值分解
SVD分解 SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。本节讨论SVD分解相关数学问题，一个分为3个部分，第一部分讨论线性代数中的一些基础知识，第二部分讨论SVD矩阵分解，第三部分讨论低阶近似。本节讨论的矩阵都是实数矩阵。 基础知识 1.
2014-05-20 12:04:34
379
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