logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

【安装工具】【ARM-DS-5】成功破解ARM DS-5 v5.26.0 + 配置高通MDM9026芯片的demo==》成功编译得到demo.bin文件

Note:Win7 64环境安装+破解ARM DS-5 v5.26.0http://blog.csdn.net/qq_27295631/article/details/68582582验证破解成功安装MinGWhttp://blog.csdn.net/qq_27295631/article/details/68582582设置系统属性-环境变量(bin/lib/inc)ARMBIN= C:\Pro

【机器学习】汇总详解:矩阵的迹以及迹对矩阵求导

矩阵的迹概念        矩阵的迹 就是 矩阵的主对角线上所有元素的和。        矩阵A的迹,记作tr(A),可知tra(A)=∑aii,1<=i<=n。定理:tr(AB) = tr(BA)证明定理:tr(ABC) = tr(CAB) = tr(BCA)    这个是tr(AB)=tr(BA)的推广定理,很容易证明。    根据定理tr(AB)=tr(BA)可知

【机器学习】【K-Means】算法详解+样本集实例讲解

1.k-means算法步骤详解使用2维的样本进行讲解,用x-y坐标系表示就是sample=(x, y),比如sample=(1,3)。其他n维度样本的k-means算法步骤也是一样,不影响理解,都是一样的道理。1.1算法步骤Step1.给定初始质心:首先选取初始质心集合centroids说明:A.质心数量由用户给出,记为k,k-means最终得到的簇数量也是kB.每个质心的数值由初始质心的...

【机器学习】【线性代数 for PCA】矩阵与对角阵相似、 一般矩阵的相似对角化、实对称矩阵的相似对角化

Note:PCA主成分分析用到实对称阵的相似对角化。1.对角阵概念2.矩阵与对角阵相似的条件3.一般矩阵的相似对角化4.实对称矩阵的相似对角化5.协方差矩阵的相似对角化(end)...

【机器学习】【逻辑回归】Logistic函数/Sigmoid函数的详细公式推导

sigmoid函数的数学公式                sigmoid函数的因变量x取值范围是-∞到+∞,(-∞,+∞),但是sigmoid函数的值域是(0, 1)。不管x取什么值其对应的sigmoid函数值一定会落到(0,1)范围内~~~漂亮的logistic 曲线sigmoid函数对应的图形就是logistic曲线,logistic曲线对应的函数就是sigmoid函数。下面我们用通过spy

【机器学习】最大似然估计的原理、以及求解步骤的详解

最大似然估计简介最大似然估计是一种统计方法,通过最大似然估计可以求一个样本集的概率密度函数的分布参数θ,从而求出样本集对应分布的概率密度函数。举例子来理解的话就是:已知:一个概率分布D已知:概率分布D的一个样本集X,样本集大小为n已知:次概率分布D的概率密度函数f=f(x; θ),其中θ是一个分布参数,θ未知~           (分布参数不懂得请百度百科~,分布参数有起码3种类型)那么问题来了

【机器学习】【线性代数】正交基、标准正交基、正交矩阵,正交变换等数学知识点

1.标准正交基2.正交矩阵3.正交变换4.正交矩阵 举例5.正交变换 举例(end)

【机器学习】汇总详解:矩阵的迹以及迹对矩阵求导

矩阵的迹概念        矩阵的迹 就是 矩阵的主对角线上所有元素的和。        矩阵A的迹,记作tr(A),可知tra(A)=∑aii,1<=i<=n。定理:tr(AB) = tr(BA)证明定理:tr(ABC) = tr(CAB) = tr(BCA)    这个是tr(AB)=tr(BA)的推广定理,很容易证明。    根据定理tr(AB)=tr(BA)可知

【再回首Python之美】【Scipy-手册】scipy库使用手册

doc汇总:https://docs.scipy.org/doc/scipy模块:https://docs.scipy.org/doc/scipy/reference/py-modindex.html调试器:http://scipy.github.io/devdocs/hacking.html方法1)sklearn.datasets.make_blobs2)(end)...

【机器学习】【层次聚类算法-1】HCA(Hierarchical Clustering Alg)的原理讲解 + 示例展示数学求解过程

1.聚类系列算---层次聚类算法2.层次聚类算法的计算原理3.一个示例展示层次聚类算法的数学计算过程参考文献:[1]http://bluewhale.cc/2016-04-19/hierarchical-clustering.html[2]https://www.cnblogs.com/weimiaomiao/p/4318244.html[3]https://www.cnblogs.com/tia

    共 16 条
  • 1
  • 2
  • 请选择