本文原始版本见http://blog.csdn.net/abcjennifer/article/details/7834256
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines...
分类：
其他好文 时间：
2016-03-28 00:22:34
阅读次数：
336
本文原始地址见http://blog.csdn.net/abcjennifer/article/details/8002329，在此添加了一些自己的注释方便理解
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Suppor...
分类：
其他好文 时间：
2016-03-28 00:20:45
阅读次数：
323
原文见http://blog.csdn.net/abcjennifer/article/details/7797502 添加了一些自己的注释和笔记
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vect...
分类：
其他好文 时间：
2016-03-27 02:01:15
阅读次数：
325
原文见http://blog.csdn.net/abcjennifer/article/details/7758797，添加了一些自己的理解
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector M...
分类：
Web程序 时间：
2016-03-26 12:39:44
阅读次数：
311
收藏了，以备不时之需，选型的时候，可以优先从其中考虑了。2015 年度新增开源软件排名 TOP 100
http://www.oschina.net/news/69808/2015-annual-ranking-top-100-new-open-source-software...
分类：
其他好文 时间：
2016-03-22 23:22:28
阅读次数：
466
61、基于PCANet-RF的人脸检测系统（中文，期刊，2016，知网） PCANet人脸检测。 62、使用人脸图像的SVM性别分类（Gender Identification using SVM Based on Human Face Images）（英文，会议，2014，EI检索） 就是单纯的使用LBP+SVM进行性别识别，之处在性别识别中多项式核要优于高斯核。 63、基于深度神经网络...
分类：
其他好文 时间：
2016-03-22 09:03:53
阅读次数：
214
准备工作： 操作系统：ubuntu 16.04 安装KVM 1 ，查看CPU是否支持虚拟化 root@cy-computer:~# grep -E "vmx|svm" /proc/cpuinfo 输出如下： flags : fpu vme de pse tsc msr pae mce cx8 api
分类：
其他好文 时间：
2016-03-22 00:25:45
阅读次数：
153
人工智能实战——人工神经网络给最近人工智能辣摸火，让我忍不住也想一探究竟，首先从目前来讲我是一个人工智能领域的门外汉，尽管恶补了几天基本知识，机器学习算法看得差不多，神马线性回归啊，逻辑回归啊，SVM啊，k临近算法啊，决策树啊，随机森林啊，看的我吐血了，不过也不难理解，然后尝试着用一套开源代码FANN(c语言跨平台库)编译到ios中写一个简单的小机器人首先是准备工作，把FANN2.2.0的源代码编...
分类：
移动开发 时间：
2016-03-21 14:15:51
阅读次数：
395
支持向量机是建立在统计学习理论基础之上的新一代机器学习算法，支持向量机的优势主要体现在解决线性不可分问题，它通过引入核函数，巧妙地解决了在高维空间中的内积运算，从而很好地解决了非线性分类问题。 构造出一个具有良好性能的SVM，核函数的选择是关键．核函数的选择包括两部分工作：一是核函数类型的选择，二是
分类：
其他好文 时间：
2016-03-19 11:11:33
阅读次数：
153
本文档尝试解答如下问题: 支持向量机 (SVM) 是一个类分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面。 换句话说，给定一些标记(label)好的训练样本 (监督式学习), SVM算法输出一个最优化的分隔超平面。 如何来界定一个超平面是不是最优的呢? 考虑如下问题： Note 在这
分类：
其他好文 时间：
2016-03-18 16:03:38
阅读次数：
168
