<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[香龙]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/z_hfut</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; z_hfut]]></copyright><item><title><![CDATA[循环神经网络RNN公式推导]]></title><link>https://blog.csdn.net/z_hfut/article/details/102533002</link><guid>https://blog.csdn.net/z_hfut/article/details/102533002</guid><author>z_hfut</author><pubDate>Sat, 02 Nov 2019 12:38:25 +0800</pubDate><description><![CDATA[让我们假定类别的大小C=5C=5C=5，隐藏层的大小为H=4H=4H=4，则有：
x(t)∈R5×1s(t)∈R4×4U(t)∈R4×5V(t)∈R5×4W(t)∈R4×4o(t)∈R5×1y(t)∈R5×1x^{(t)} \in R^{5 \times	1} \quad s^{(t)} \in R^{4 \times	4} \quad  U^{(t)} \in R^{4 \times	5}...]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯原理]]></title><link>https://blog.csdn.net/z_hfut/article/details/101717069</link><guid>https://blog.csdn.net/z_hfut/article/details/101717069</guid><author>z_hfut</author><pubDate>Mon, 30 Sep 2019 21:29:56 +0800</pubDate><description><![CDATA[朴素贝叶斯1 朴素贝叶斯的理论1.1 贝叶斯定理。1.2 条件独立2 多元伯努利模型3 多项式事件模型
1 朴素贝叶斯的理论
  朴素贝叶斯是一种线性分类算法，也是一种监督学习模型，它应用在垃圾邮件分类、文本分类、疾病诊断中都取得了很好的效果。朴素贝叶斯算法Naive Bayes定义中有两个关键的定义：贝叶斯定理和特征之间条件独立假设。
1.1 贝叶斯定理。
  贝叶斯定理由英国数学家贝叶斯(Th...]]></description><category></category></item><item><title><![CDATA[高斯判别分析（Gaussian Discriminative Analysis）]]></title><link>https://blog.csdn.net/z_hfut/article/details/101470074</link><guid>https://blog.csdn.net/z_hfut/article/details/101470074</guid><author>z_hfut</author><pubDate>Thu, 26 Sep 2019 21:53:26 +0800</pubDate><description><![CDATA[  高斯判别分析(GDA)是经典的生成学习模型，也是一种监督分类学习算法。假设有样本集D={(x1,y1),(x2,y2),...,(xn,yn)}D=\{(x_1,y_1),(x_2,y_2),...,(x_n,y_n)\}D={(x1​,y1​),(x2​,y2​),...,(xn​,yn​)}，其中xi∈Rd,yi∈{0,1}x_i \in R^d,y_i \in \{0,1\}xi​∈Rd...]]></description><category></category></item><item><title><![CDATA[高斯混合模型(GaussianMixture Model)]]></title><link>https://blog.csdn.net/z_hfut/article/details/100799497</link><guid>https://blog.csdn.net/z_hfut/article/details/100799497</guid><author>z_hfut</author><pubDate>Tue, 24 Sep 2019 22:31:10 +0800</pubDate><description><![CDATA[高斯混合模型前言单高斯模型
前言

  高斯混合模型（Gaussian Mixture Model）通常简称GMM，是一种广泛使用的聚类算法，该方法使用了高斯分布作为参数模型，并使用了期望最大（Expectation Maximization，简称EM）算法进行训练。

单高斯模型

...]]></description><category></category></item><item><title><![CDATA[SVM算法原理与实现]]></title><link>https://blog.csdn.net/z_hfut/article/details/100593656</link><guid>https://blog.csdn.net/z_hfut/article/details/100593656</guid><author>z_hfut</author><pubDate>Sun, 08 Sep 2019 18:07:18 +0800</pubDate><description><![CDATA[SVM原理与实现线性可分SVMSVM简单介绍符号约定非线性SVM
线性可分SVM
SVM简单介绍
  支持向量机（support vector machines， SVM) 是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器。对于线性不可分数据，可以运用核技巧来分类，下面我们分别介绍线性可分模型和线性不可分模型。
符号约定
  假设给定一个特征空间上的训练数据集：
T={(x...]]></description><category></category></item><item><title><![CDATA[机器学习——逻辑回归]]></title><link>https://blog.csdn.net/z_hfut/article/details/99705096</link><guid>https://blog.csdn.net/z_hfut/article/details/99705096</guid><author>z_hfut</author><pubDate>Sun, 18 Aug 2019 20:37:23 +0800</pubDate><description><![CDATA[逻辑回归前言算法原理参数推导代码实现
前言
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;逻辑回归(Logistic Regression)虽然名字叫回归，然而是一种用于分类的机器学习算法。逻辑回归的本质就是一个线性分类模型，它通过一个非线性化映射输出一个概率值来评判分类的标准。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbs...]]></description><category></category></item><item><title><![CDATA[机器学习——线性回归]]></title><link>https://blog.csdn.net/z_hfut/article/details/99694570</link><guid>https://blog.csdn.net/z_hfut/article/details/99694570</guid><author>z_hfut</author><pubDate>Sun, 18 Aug 2019 13:19:08 +0800</pubDate><description><![CDATA[线性回归线性回归定义一般线性算法学习参数代码实现Ridge Regression 岭回归Lasso回归
线性回归定义
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;线性回归(Liner Regession,LR)，简单的来说就将输入空间的变量映射到输出空间的一种模型。LR形式简单，易于实现，具有较好的解释性，一般用于连续性变量的回归问题，如：预测身高，房价等。同时，LR也...]]></description><category></category></item><item><title><![CDATA[矩阵求导和迹]]></title><link>https://blog.csdn.net/z_hfut/article/details/98466329</link><guid>https://blog.csdn.net/z_hfut/article/details/98466329</guid><author>z_hfut</author><pubDate>Sun, 04 Aug 2019 13:56:22 +0800</pubDate><description><![CDATA[1. 迹的定义
矩阵的迹tr(A)tr(A)tr(A)定义如下: 一个n×nn\times nn×n方阵A的迹是指:的主对角线上各元素的总和，即 :
tr(A)=∑i=1naiitr(A)=\sum_{i=1}^{n}a_{ii}tr(A)=i=1∑n​aii​
注：只有方阵才有迹.
2. 迹的性质
A∈n×m,B∈m×n,AB∈n×n,BA∈m×mA \in n \times m,B \in m...]]></description><category></category></item><item><title><![CDATA[协方差矩阵]]></title><link>https://blog.csdn.net/z_hfut/article/details/98462051</link><guid>https://blog.csdn.net/z_hfut/article/details/98462051</guid><author>z_hfut</author><pubDate>Sun, 04 Aug 2019 13:28:07 +0800</pubDate><description><![CDATA[1.协方差矩阵的概念：

2.协方差矩阵的性质：
①. 协方差矩阵能处理多维问题；
②. 协方差矩阵是一个对称的矩阵，而且对角线是各个维度上的方差；
③. 协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的；
④. 样本矩阵中若每行是一个样本，则每列为一个维度，所以计算协方差时要按照列计算均值。
如果数据是3维的，那么协方差矩阵是：

下面在给出一个4维3样本的实例:


转载自：htt...]]></description><category></category></item><item><title><![CDATA[决策树原理与实战]]></title><link>https://blog.csdn.net/z_hfut/article/details/95027993</link><guid>https://blog.csdn.net/z_hfut/article/details/95027993</guid><author>z_hfut</author><pubDate>Sun, 21 Jul 2019 15:34:17 +0800</pubDate><description><![CDATA[机器学习之决策树一、决策树的定义二、决策树的结构三、决策树的原理3.1 算法步骤3.2 划分准则3.2.1 信息增益3.2.2 增益率3.2.3 基尼指数四、决策树的实战五、总结六、参考
一、决策树的定义
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;分类决策树模型是一种描述对实例进行分类的树形结构。 决策树由结点和有向边组成， 结点有两种类型：内部结点和叶节点，内 部节...]]></description><category></category></item><item><title><![CDATA[联想V470C 禁用触摸板]]></title><link>https://blog.csdn.net/z_hfut/article/details/95742766</link><guid>https://blog.csdn.net/z_hfut/article/details/95742766</guid><author>z_hfut</author><pubDate>Sat, 13 Jul 2019 13:11:08 +0800</pubDate><description><![CDATA[联想V470C 禁用触摸板

去联想官网下载对应型号的驱动：驱动链接

解压安装包后：
删除解压文件的Synaptics文件夹

进入ELAN文件夹，双击Setup文件

进入“控制面板-&gt;硬件和声音-&gt;鼠标”，选择ELAN	，选择停滞设备，选中“插入外置USB指向装置时禁用”复现框。



...]]></description><category></category></item><item><title><![CDATA[Python学习笔记]]></title><link>https://blog.csdn.net/z_hfut/article/details/95518056</link><guid>https://blog.csdn.net/z_hfut/article/details/95518056</guid><author>z_hfut</author><pubDate>Thu, 11 Jul 2019 20:38:47 +0800</pubDate><description><![CDATA[python 学习笔记

from future import 
Python中print(doc)作用
有关Python的import…和from…import…的区别


]]></description><category></category></item></channel></rss>