最近在配置caffe,出了许多的问题，今天终于解决了，感谢各位大神的博客，在文中会一一点出来。一.安装ubuntu 14.04这里采用的是ｗｉｎｄｏｗs＋ubuntu双系统。可能要注意的几个问题：１．先装windows再装linux，因为在ｗｉｎｄｏｗs下进行磁盘操作相对会熟悉一些。２．可能会用到的一些软件：UltraISO用于刻录U盘启动盘，EasyBCD用于启动时找得到windows

大概花了一个星期的时间，学习了一下网络爬虫的知识，现在使用scrapy能爬一些基本的网页，图片，解决网页编码兼容问题，基础的模拟登陆。对于有些模拟登陆，由于其提交的表单要经过js进行处理后提交；更难的其网页也是经js渲染的，要学会一步步去分析，没有太多的去深入，但我会提到基本的分析方法。参考文章：1、http://www.runoob.com/一个很好的语言语法入门学习的网站，我主要用其

当数据量变的特别大，数据特征的维度变得很大时，若不对数据进行一定的预处理，将会使问题求解的速度变得很慢，甚至是无法求解。这里介绍两种数据预处理（降维）的方法：pca和svd数据降维主要有这几种方法：1、主成分分析（PCA）：PCA实际上是进行坐标的转换，转换后的坐标的第一维选择数据方差最大的方向，第二维选择与第一维正交且数据方差最大的方向，依次重复上述的构造方法，得到第三维，第四维…而数据的

上一节中介绍的回归方法，主要用于线性问题中，但当数据量变大，特征值变多时，这些方法就变得不那么实用了。这一节介绍一下CART（分类回归树）用于回归。主要讲解两种树：回归树和模型数在学习CART时，可以回顾一下我们前面所讲的决策树：http://blog.csdn.net/sunnyxiaohu/article/details/50826016一、回归树每个叶节点包含单个值算法原理：

此文章翻译至机器学习的一章讲义：http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf损失函数。我们能得到一般化的损失函数表达式，如下（14.1），在（14.1）中，我们注意到损失函数有两部分组成：损失项和规则项。我们将会在接下来的章节中介绍这两部分。一、损失项在这一节中，

前面我们已经学了好几个分类算法了（svm后面再讲），分类效果也还不错，但是我们也许会想，能不能在一个数据集上多次应用同一个算法，或者应用不同的算法呢？这就是我们adaboost的思想：通过多个弱分类器的组合，构成一个强分类器。算法优点：泛化错误率低，易编码，可应用在大部分分类器上，无需参数的调整算法缺点：对离群点很敏感算法步骤：这里我们用多个单层分类决策树为例（buildSt