交替方向乘子法（ADMM）网上的一些资料根本就没有把ADMM的来龙去脉说清楚，发现只是一个地方简单写了一下流程，别的地方就各种抄，共轭函数，对偶梯度上升什么的，都没讲清楚，给跪了。下面我来讲讲在机器学习中用得很多的ADMM方法到底是何方神圣。共轭函数给定函数f:Rn→Rf: \mathbb{R}^{n} \rightarrow \mathbb{R}f:Rn→R，那么函数f∗(y)=max⁡...

机器学习基础知识点文章目录机器学习基础知识点监督学习回归线性回归岭回归lasso回归分类k最近邻分类朴素贝叶斯分类logistic回归支持向量机其他随机梯度下降线性判别分析决策树无监督学习聚类k均值分层次聚类谱聚类高斯混合模型降维PCA降维LLE降维MDS和t-SNE独立成分分析等距特征映射谱嵌入深度学习（一些基本概念）一维卷积（离散）二维卷积（离散）padding反卷积（转置卷积）学习率反向传播

学习一门语言有必要系统体系地从头到脚学一遍吗？我认为有必要，但是没意义。如果你有一些其他语言的基础，想要入门 python，那么最好的方式就是了解一下它有哪些数据结构和循环等怎么写，并自己敲一些代码测试一下，剩下的就是直接拿它开始干你想让它帮你做的事，遇到问题面向浏览器编程，一点一点熟悉就好了。下面列出了 python 中最最最基础的数据结构和用法（列表、 numpy 数组等），你花 10 分钟，

曲面偏微分方程的一个实际应用——肿瘤增长文章目录曲面偏微分方程的一个实际应用——肿瘤增长简介演化表面上反应扩散方程的推导曲面梯度演化表面上的反应扩散系统模型说明曲面有限元方法变分形式演化曲面有限元方法时间离散肿瘤增长模型建立数值方法数值结果网格自适应和重新划分网格简介基本想法是利用表面有限元数值方法求解演化曲面上的反应扩散方程。不断增长的生物表面上的模式形成，是通过求解曲面上的反应扩散方程得到的，

为什么叫插值，为什么叫greedy，可以看得出来，我们选的就是投影之后，距离最大的一个点，然后把它固定。也就是说，我们对于$\mathbf{F}$选行，我们只要计算里面必要分量作用即可，也就是可以把选行操作放到$\mathbf{F}$里面去。POD方法固有的局限性，使得无法很好地处理非线性项，所以必须有一个合适的方法处理非线性项。这里看起来，似乎还需要把非线性项施加于每个分量算出来，其实并不然，这

本文主要介绍了以下几个方面的内容：简单介绍了经典的主成分分析方法，包括其数学推导，算法步骤，和几个实际算例；简单介绍了其它的数据降维方法，譬如局部线性嵌入以及它的简单算例；更近一步，我们介绍了函数型主成分分析方法（FPCA），包括其基本思想、数学推导、算法描述等，最为重要的是，我们将该方法和本领域进行结合，有了一些新的思考，感谢"数据科学与矩阵优化"课程给带来的灵感。文章目录前言主成分分析（...

C/C++ 高性能计算之多线程简单基础入门教程比起别人的盲目罗列函数接口，鹦鹉学舌式的解释每一个输入参数和输出参数，一味求全而无重点，我的文章更侧重于入门知识的讲解，宁缺毋滥，只有一些最简单的入门用法，先亮代码，让你以最快地速度感受到这个东西原来是这个样子。更深入的知识，可以查看文档以及其他参考。不管什么东西，都是尽可能地用新不用旧，所以，文章涉及的库和工具，都是基于 C++11 标准的。前面有相

雷诺输运定理的证明雷诺输运定理描述的是微分符号如何放到求导符号里面的问题，它的一个表述如下：ddt∫Ω(t)fdV=∫Ω(t)∂f∂tdV+∫∂Ω(t)(v⋅n)fdA\frac{\mathrm{d}}{\mathrm{d} t} \int_{\Omega(t)} \mathbf{f} \mathrm{d} \mathrm{V}=\int_{\Omega(t)} \frac{\partial...

牛顿迭代法在求解特征值问题中的应用牛顿迭代法常被应用于求解非线性方程（组），通过几步简单的迭代，就能得到真解。下面给出几个牛顿迭代法在求解矩阵特征值文中的几个算例：牛顿反迭代% inverse_iterationclcclearn = 2; F = @(z) [exp(1i*z.^2) 1; 1 1];Fp = @(z) [2i*z*exp(1i*z.^2) 0; 0 0];tol

水平集方法框架水平集方法是现代图像处理中很重要的一个方法，为了说清楚这个东西，我们先介绍几个基本的概念。零水平集对于一个函数 ϕ(x⃗)：Rn→R\phi(\vec x)：{\mathbf{R}^n}\rightarrow \mathbf{R}ϕ(x)：Rn→R（其中x⃗∈Rn\vec x \in {\mathbf{R}^n}x∈Rn ，下同），取其值域为零部分对应的定义域：Γ={x⃗∣ϕ...