原创 《矩陣論》---線性空間和線性映射
即將學完線性空間和線性映射，感覺到了太神奇了！把一個空間的抽象的東西，通過具體的表示，然後來到了現實空間中，這些偉大的數學家們，太神奇了！ 做個總結吧：
2020-05-10 00:23:44
原创 機器學習---集成學習（Ensemble Learning）：隨機森林（RF）、GBDT（迭代決策樹）、提升算法、Adaboost
這兩天學的是隨機森林 、提升算法、GBDT、Adaboost算法，今天導師讓我們沒事的時候看看論文，學習機器學習和深度學習，現在學習這些知識終於成爲了“合法”(前些天都是自己抽時間學的)，導師看到了就不樂意了。視頻看完了，大概知道
2020-05-06 06:30:57
5
原创 C++求兩個向量的夾角
已知兩個非零向量，作在空間任取一點O，作，則稱爲向量的夾角，如下圖當，兩向量同向，否則等於180度兩向量反向。 求兩向量的公式爲： C++代碼如下： #include<iostream> #include<cmath> usi
2020-05-06 06:30:57
232
原创 視頻中圖像的縮放
在做項目過程中，遇到要對圖片進行縮放（放大再縮小）。假如播放視頻，要在放大的基礎上連續播放。 縮放需要用到一個opencv中的resize()函數，學習一下resize函數。 resize()函數 void resize(Inpu
2020-05-06 06:30:57
1
原创 面試題---關於數組和指針關係
師兄們面試題的時候都是，幫他們查的，感覺這些題都很細節，剛打開解決方案的時候，看到這道題了，記下來，這樣的細節題我以前也不注意 大家猜測下面的結果 #include using namespace std; int main()
2020-05-06 06:30:57
原创 代碼實現三種迴歸算法---嶺迴歸，lasso迴歸，彈性網絡
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt import pandas as pd import warnings imp
2020-05-06 06:30:57
1
原创 機器學習---迴歸算法之線性迴歸
這學期打算把機器學習和深度學習 什麼是迴歸算法 迴歸算法是一種有監督算法（有一個x和y的對應關係） 迴歸算法是一種比較常用的機器學習算法，用來建立“解釋”變量(自變量X)和觀 測值(因變量Y)之間的關係；從機器學習的角度來講，用
2020-05-06 06:30:57
原创 size_t和size_type區別
爲了使自己的程序有很好的移植性，Ｃ++程序員應該儘量使用size_t和size_type，而不是int，unsigned。 在標準C/C++的語法中，只有int float char bool等基本的數據類型，至於size_t,或
2020-05-06 06:30:55
原创 機器學習---KNN算法(保證寫得很通俗易懂)
剛學完了，還是寫博客記上，忘了好回頭看。裏面有個小問題沒明白，算了，自當過幾天就能搞懂吧。 KNN算法原理 KNN(K-nearst neighbors KNN)，就是K個最近的鄰居的意思，說的是每個樣本都可以用它最接近的K個鄰居
2020-05-06 06:30:55
9
原创 Softmax迴歸---多分類問題
在讀文章之前，先讀Logistic迴歸,Logistic迴歸是Softmax迴歸的特殊情況，即二分類情況。 softmax函數的本質就是將一個K維的任意實數向量壓縮（映射）成另一個K維的實數向量，其中向量中的每個元素取值都介於（0
2020-05-06 06:30:55
原创 梯度下降法（BGD、SGD、MBGD）
除了最小二乘法求解損失函數之外，梯度下降法是另一種求解損失函數的方法。 梯度下降的直觀理解，先用一個例子說明： 假設找凸函數y=x**2的最小值，通過迭代的方式，假設x=2時，y=4，x=0.8時，y=0.64，，，總之每一步迭代
2020-05-06 06:30:55
原创 拉普拉斯變換和傅里葉變換在圖像和圖上的應用
這篇是接着上一篇寫的，不打字了，直接看圖片吧 拉普拉斯算子及在數字圖像上的應用 對於一個二階可微的實函數f,其拉普拉斯算子可以定義爲： 用上邊的拉普拉斯算子在數字圖像上進行卷積方式的掃描，最終得到邊緣部分。 拉普拉斯算子在圖
2020-05-06 06:30:55
1
原创 深度學習基礎---數據類型、邊、節點
一、tensorflow安裝 二、基本概念 圖（Graph）：圖描述了計算的過程，TensorFlow使用圖來表示計算任務。 張量（Tensor）：TensorFlow使用tensor表示數據。每個Tensor是一個類型化 的多維
2020-05-06 06:30:55