原创 數據存儲:關係型數據管理系統1

本文轉載自:http://www.cnblogs.com/gardenofsjw/p/6917495.html關係型數據管理系統1:SQL概念與操作目錄一、幾個定義注意點二、SQL操作語句備忘錄三、補充SQL約束(本文是中科院陳世敏老師課

原创 自適應濾波器:維納濾波器3——GSC算法及語音增強

本文轉載自:http://www.cnblogs.com/xingshansi/p/6621185.html   前言 仍然是西蒙.赫金的《自適應濾波器原理》第四版第二章,首先看到無約束維納濾波,接着到了一般約束條件的濾波,此處爲約束擴

原创 自適應濾波器:最速下降算法

本文轉載自:http://www.cnblogs.com/xingshansi/p/6654372.html   前言 西蒙.赫金的《自適應濾波器原理》第四版第四章:最速下降算法。優化求解按照有/無約束分類:如投影梯度下降算法((Gra

原创 《數據挖掘導論》- 讀書筆記(5)- 分類:基本概念、決策樹與模型

第4章  分類:基本概念、決策樹與模型評估   分類任務就是確定對象屬於哪個預定義的目標類。分類問題是一個普遍存在的問題,有許多不同的應用。例如:根據電子郵件的標題和內容檢查出垃圾郵件,根據核磁共振掃描的結果區分腫瘤是惡性的還是

原创 自適應濾波器:維納濾波器1——FIR及IIR設計

本文轉載自:http://www.cnblogs.com/xingshansi/p/6603263.html   前言 仍然是西蒙.赫金的《自適應濾波器原理》第四版,距離上次看這本書已經過去半個月,要抓點緊了。本文主要包括:   1)何

原创 自適應濾波器:維納濾波器2——LCMV及MVDR實現

本文轉載自:http://www.cnblogs.com/xingshansi/p/6609317.html   前言 西蒙.赫金的《自適應濾波器原理》第四版,上一篇看到維納濾波基本形式:最優化問題,且無任何條件約束。這次看到有約束的部

原创 自適應濾波器:線性預測理論(LPC)

本文轉載自:http://www.cnblogs.com/xingshansi/p/6621914.html    前言  西蒙.赫金的《自適應濾波器原理》第四版第三章,線性預測是Wiener Filter的應用,作爲信號識別的特徵以及

原创 數據挖掘:相似性度量、LSH算法

本文轉載自:https://blog.csdn.net/u013710265/article/details/71698121在數據挖掘中經常需要用到比較兩個東西的相似度。下面先主要說一下文檔的相似度。 如果是判斷兩個文檔是否完全相同,問

原创 自適應濾波器:隨機過程基礎

(最近想以此博客爲載體,把學習研究的內容整理一下。程序小白可能會收集各大神分享的精彩內容,在此說明會註明轉載的出處,若有侵權,請及時告知。) 本文轉載自:http://www.cnblogs.com/xingshansi/p/652796

原创 《數據挖掘導論》- 讀書筆記(1)- 目錄

數據挖掘導論   本書全面介紹了數據挖掘,涵蓋了五個主題:數據、分類、關聯分析、聚類和異常檢測。除異常檢測外,每個主題都有兩章。前一章涵蓋基本概念、代表性算法和評估技術,而後一章討論高級概念和算法。這樣能夠在透徹地理解數據挖據的

原创 《數據挖掘導論》- 讀書筆記(3)- 數據

第2章  數據   本章討論一些與數據相關的問題,對於數據挖掘的成本至關重要。   數據類型  數據集的不同表現在很多方面。例如,用來描述數據對象的屬性可以具有不同的類型---定量的或定性的,並且數據集可能具有特定的性質,例如,

原创 數據存儲:關係型數據管理系統3

本文轉載自:http://www.cnblogs.com/gardenofsjw/p/6918655.html關係型數據管理系統3:事務處理、數據倉庫、分佈式數據庫目錄一、事務處理1.ACID2.Concurrency Control併發

原创 自適應濾波器:LMS算法、歸一化LMS濾波器

本文轉載自:http://www.cnblogs.com/xingshansi/p/6658203.html   前言 西蒙.赫金的《自適應濾波器原理》第四版第五、六章:最小均方自適應濾波器(LMS,Least Mean Square)

原创 數據存儲:關係型數據管理系統2

本文轉載自:http://www.cnblogs.com/gardenofsjw/p/6917599.html關係型數據管理系統2:數據庫系統與數據存儲訪問目錄一、數據庫系統架構二、數據存儲與訪問1.數據庫與文件系統對比總結2.存儲單位 

原创 機器學習與數據挖掘的學習路線圖

說起機器學習和數據挖掘,當然兩者並不完全等同。如果想簡單的理清二者的關係,不妨這樣來理解,機器學習應用在數據分析領域 = 數據挖掘。同理,如果將機器學習應用在圖像處理領域 = 機器視覺。當然這只是一種比較直白的理解,並不能見得絕