The English version of this blog athere :http://www.jianshu.com/p/cba96dad5f24CV (Computer Vision)最近在研究CV的一些开源库(OpenCV)，有一个体会就是在此领域，除了一些非常学术的机器学习, 深度学习等概念外，其实还有一些很有趣的现实的应用场景。比如之前很流行的微软的h

现代物体识别模型有数以百万计的参数，可能需要数周才能完全训练。学习迁移是一个捷径，很多这样的工作，以充分的训练模式的一组类ImageNet技术，并从现有的权重进行新课。在这个例子中，我们将从头再训练最后一层，而留下所有其他未触及。在你能看到本文对咖啡因的更多信息。虽然它不如一个完整的训练运行，这是令人惊讶的有效的许多应用程序，并可以运行在三十分钟的笔记本电脑，而不需要GPU。本教程将向您演示如

------------笔记+随想开始------------

TensorFlow高级API(tf.contrib.learn)及可视化工具TensorBoard的使用一.TensorFlow高层次机器学习API (tf.contrib.learn)1.tf.contrib.learn.datasets.base.load_csv_with_header 加载csv格式数据2.tf.contrib.learn.DNNC

李宏毅机器学习|图神经网络Graph Nerual Networks(GNN)|学习笔记

一、OTSU法（大津阈值分割法）介绍  OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法，是一种自适应的阈值确定的方法，又称大津阈值分割法，是最小二乘法意义下的最优分割。二、单阈值OTSU法  设图像包含L个灰度级，灰度值为i的像素点个数为Ni，像素总点数为：N=N0+N1+⋯+NL−1则灰度值为i的点的概率为：Pi=Ni

一、PCA简介1. 相关背景      上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方面的项目，所以记录一下心得体会。      在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了

这里先总体介绍下，原文转自：http://www.cnblogs.com/gaoxiang12/p/5560360.html任何传感器，激光也好，视觉也好，整个SLAM系统也好，要解决的问题只有一个：如何通过数据来估计自身状态。每种传感器的测量模型不一样，它们的精度也不一样。换句话说，状态估计问题，也就是“如何最好地使用传感器数据”。可以说，SLAM是状态估计的一个特例。 1.

中文词法分析THULAC：一个高效的中文词法分析工具包包括中文分词、词性标注功能。已经提供C++、Java、Python版本。中文文本分类THUCTC: 一个高效的中文文本分类工具提供高效的中文文本特征提取、分类训练和测试功能。THUTag: 关键词抽取与社会标签推荐工具包GitHub - YeDeming/THUTag: A Package of Keyphr

主要收集了基于时空(欧式与非欧空间)交通流量预测最新方法部分论文下载交通流量预测算法调研算法名称算法基本原理考虑维度应用场景是否有开源实现链接实验数据集期刊基于时间图卷积网络(T-GCN)交通流预测（A Temporal Graph Convolutional Network for Traffic Prediction）一种基于神经网络的交通预测方法，该模型结合了图卷积网络(GCN)和门控递归单元