LDA,PCA阅读资料

LDA(Linear Discriminant Analysis 线性判别分析),是一种监督学习.将带上标签的数据(点),通过投影的方法,投影到维度更低的空间中,使得投影后的点,会形成按类别区分,一簇一簇的情况,相同类别的点,将会在投影后的空间中更接近.LDA是一种线性分类器.分类的目标是,使得类别内的点距离越近越好(集中),类别间的点越远越好. PCA(主成分分析):LDA的输入数据是带标签的,而PCA的输入数据是不带标签的,所以PCA是一种无监督学习.LDA通常来说是作为一个独立的算法存在,

内容整理自网络,不足之处欢迎指出 Webapp:是一个针对Iphone.Android优化后的web站点,它使用的技术无非就是HTML或HTML5.CSS3.Javas cript,服务端技术JAVA.PHP.ASP.针对高端智能手机(如Iphone.Android)做站点适配,并非是针对普通手机开发Wap 2.0 从APP到WAP版,在产品上,最明显且核心的:1.精简功能,只将核心的任务实现,非核心的枝节可考虑删减.2.做好新的WebAPP导航.3.补充从WebAPP 对 下载原生APP 的引

1,Andrew Ng机器学习公开课笔记 -- 支持向量机 2,SVM-支持向量机算法概述 3,支持向量机SVM(一) 4,机器学习中的算法(2)-支持向量机(SVM)基础

1.技术向:一文读懂卷积神经网络 2.机器学习编程语言之争,Python夺魁 3.Deep learning with Theano 官方中文教程(翻译)(四)—— 卷积神经网络(CNN)

1,AdaBoost中利用Haar特征进行人脸识别算法分析与总结1——Haar特征与积分图 2,浅谈 Adaboost 算法 3,浅析人脸检测之Haar分类器方法 4,http://wenku.baidu.com/link?url=wIs4yLspMwybtq0-IyckXg-U75CYDqAOLOdHRELliempZL9a5ibFf1TcVB9xEmPUrKuTX3vYL12icc28bKr8txACU3Yr5N5CPdocAzbhXu_

现在自己在软件工程这一方面的知识储备还是远远不足,这一学期我们开始了需求分析这门课,需求分析在软件工程这一领域十分的重要,于是为了深刻的理解这一课程,王老师为我们推荐了十几本课外阅读资料让我们从中选取三本作为这个学期10,11,12三个月份的阅读任务,我从中挑选了以下三本: 以下是我的阅读计划: 10月份: 我将在10月1日开始阅读<软件需求模式>(中文版)这本课外书,并且每10天左右发表一篇关于已阅读部分的感受博文. 11月份: 我将在11月1日开始阅读<代码阅读方法与实现>这本

1. PCA整体思想 PCA,Principle Componet Analysis,主成分分析,主要用于数据降维.它通过计算给定数据集的协方差矩阵的特征值和特征向量,来得到数据集最关键的方向(数据集在此方向的投影方差最大,这个能保持最多的信息),并从关键的方向中选取前k个构成k维空间,在此空间中重新表示原始数据以达到降维的目的. 2. 推导过程 http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pd

PCA的一些基本资料 最近因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维. 本来最早的时候我没有打算对提取的gabor特征进行降维,但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波,这样提取的特征足足有64*64*5*8这么多,如果图像稍微大一点,比如128*128的图像,那么直接提取的特征就会几十万,所以不降维的话直接用SVM训练分类器是非常困难的. 所以在这段时间我就学习了一下PCA降维的基本原理和使用方法,网上给出的

这本书的来源于依据我在<Repractise简介篇:Web开发的七天里>中所说的 Web 开发的七个步骤而展开的电子书.当然它也是一个 APP.它一本关于如何成为增长工程师的指南. 编写过程 昨天,我算是把这本电子书(可在GitHub上阅读.下载)的初稿写完了,已经有75,505个字了. 在8星期49天里,一共提交了477次,修改了212个文件. 收到了1.4k+的star: 在最开始的时候,我对这本书的定位是整理自己所学的知识--让自己Growth.因为输入是最好的输出,如图所示: 整理自己