(主要基于外文教程翻译)什么是PCA?       PCA是Principal component analysis的缩写，中文翻译为主元分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应

转自：http://blog.csdn.net/zouxy09/article/details/8781543Convolutional Neural Networks       卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的

转自：http://hi.baidu.com/%D6%BB%D6%AA%B5%C0%C6%A4%C3%AB/blog/item/21e790b47756557e8ad4b202.html#0安装 GCC安装 GCC 最快捷的方式是在你的机器上安装完整的 Cygwin 环境。Cygwin 是 视窗系统 上类似于 Linux 的环境。他包括一个提供 UNIX 功能性基本子集的 DLL 及在这之

转自：http://blog.csdn.net/cnrjm/article/details/2290593   容器deque和vector非常相似，操作函数基本一致。它采用动态数组来管理元素，提供随机存取，可以在头尾两端进行快速安插和删除元素操作。特别要注意，除了头尾两端，在任

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。　　支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无

<br />（1）核函数发展历史<br />    早在1964年Aizermann等在势函数方法的研究中就将该技术引入到机器学习领域，但是直到1992年Vapnik等利用该技术成功地将线性SVMs推广到非线性SVMs时其潜力才得以充分挖掘。而核函数的理论则更为古老，Mercer定理可以追溯到1909年，再生核希尔伯特空间(ReproducingKernel Hilbert Space, RKHS