一.需求分析 虽然公共社交网络系统能够满足大多数高校校园用户在校园网络社交的需求,但是针对校园学习.工作和文化生活等方面的支持以及学校个性化需求方面却存在不足.利用电子校务平台的数据,设计了与真实校园环境和活动紧密结合,包含具有校园特色的应用组件和支持社交与协作构建的关系模型,并对校园用户的隐私提供适当保护的高校校园社交网络系统,对校园内的交流与协作提供了支持,也使得留言板管理工作系统化.规范化.自动化. 结合社交网站发展的时代背景,探索社交网站的潜力价值.根据不同的价值,可以分为以下几类: (

前面介绍线性回归,但实际中,用线性回归去拟合整个数据集是不太现实的,现实中的数据往往不是全局线性的 当然前面也介绍了局部加权线性回归,这种方法有些局限 这里介绍另外一种思路,树回归 基本思路,用决策树将数据集划分成若干个子集,然后再子集上再用线性回归进行拟合 决策树是种贪心算法,最简单典型的决策树算法是ID3 ID3,每次都选取最佳特征来进行划分,并且按照特征的取值来决定划分的个数,比如性别,就划分为男,女 在决定最佳特征时,用香农熵作为指标,表示当前的划分是否会让数据更加有序 ID3的局限是,

Gradient boosting gradient boosting 是一种boosting(组合弱学习器得到强学习器)算法中的一种,可以把学习算法(logistic regression,decision tree)代入其中. 问题描述: 给定一组数据{(x,y)}i,i=1,2...,N,使用函数F(x)对数据进行拟合,使对于给定损失函数L(y,F(x))最小 (损失函数可以为$(y-F(x))^2,|y-F(x)|$[regression],$log(1+e^{-2yF})$[class

Machine Learning/Introducing Logistic Function 打算写点关于Machine Learning的东西, 正好也在cnBlogs上新开了这个博客, 也就更新在这里吧. 这里主要想讨论的是统计学习, 涵盖SVM, Linear Regression等经典的学习方法. 而最近流行的基于神经网略的学习方法并不在讨论范围之内. 不过以后有时间我会以Deep Learning为label新开一个系列, 大概写写我的理解. 总之Machine Learning的la

这篇笔记主要参考冯杨的五篇博客:在线最优化求解(Online Optimization).因为对于在线学习方法,稀疏性问题需要特别关注:每次在线学习一个新 instance 的时候,优化方向并不一定是全局最优,不容易产生稀疏解,而简单截断又可能将从全局看不该稀疏掉的特征变为零.所以这里以 L1 正则为基础,比较几种在线学习算法. 0,预备 每个 instance 由特征向量和预测目标组成: \((\mathbf x,y)\).其中 \(\mathbf x \in \mathbb R^N, y \

1.线性可分VS线性不可分 对于一个分类问题,通常可以分为线性可分与线性不可分两种 .如果一个分类问题可以使用线性判别函数正确的分类,则称该问题为线性可分.如图所示为线性可分,否则为线性不可分: 下图为线性不可分: 1.2.Logistics Regression模型 Logistics Regression模型为广义的线性模型的一种,属于线性的分类模型.对于线性可分问题,需要找到一条直线,能够将两个不同的类分开,这条直线也称为超平面.对于上述超平面,可以使用如下的线性函数表示: 其中W为权重,

线性回归(Linear Regression with One / Multiple Variable) 定义符号(Symbol Definition) m = 数据集中训练样本的数量 n = 特征的数量 x = 输入变量 / 特征 y = 输出变量 / 目标变量 (x, y) 表示一个训练样本 \(x^{(i)}\) 训练集中第 i 个样本 \(x_j^{(i)}\) 训练集中第 i 个样本中第 j 个特征 假设函数(Hypothesis Function) 以下所有 \(x_0^{(i)}

Collaborative Spatioitemporal Feature Learning for Video Action Recognition 摘要 时空特征提取在视频动作识别中是一个非常重要的部分.现有的神经网络模型要么是分别学习时间和空间特征(C2D),要么是不加控制地联合学习时间和空间特征(C3D). 作者提出了一个新颖的neural操作,它通过在可学习的参数上添加权重共享约束来将时空特征encode collaboratively. 特别地,作者沿着体积视频数据的三个正交视图进行

导言 新的CNN网络的提出,提高了模型的学习能力但同时也带来了学习效率的降低的问题(主要体现在模型的存储问题和模型进行预测的速度问题),这使得模型的轻量化逐渐得到重视.轻量化模型设计主要思想在于设计更高效的"网络计算方式"(尤其针对卷积方式),从而不损失网络性能的前提下,减少网络计算的参数.本文主要介绍其中的一种--MobileNet[1](顾名思义,是能够在移动端使用的网络模型). 深度可分离卷积 MobileNet实现模型轻量化的核心是depth-wise separable co

(1)LeapMotion系统识别和追踪手,手指,以及根手指类似的工具,这个设备运行在一个极小的范围,这个范围拥有个高精度,高跟踪频率可以记录离散的点,手势,和动作. (2)LeapMotion控制器使用的是光学传感器和红外线,当控制器在其标准操作位置,有大约150度的视野时光学传感器直接沿y轴向上.在控制器上面(2英尺到1英寸)LeapMotion控制器的有效范围从25到600毫米.控制器有一个明确的.高对比度的视图对象轮廓时,控制器的检测和追踪效果最好.                  

爬取百合网的数据链接:http://www.cnblogs.com/YuWeiXiF/p/8439552.html 总共爬了22779条数据.第一次接触matplotlib库,以下代码参考了matplotlib官方文档:https://matplotlib.org/users/index.html. 数据查询用到了两个方法:getSexNumber(@sex varchar(2),@income varchar(30)).gethousingNumber(@sex varchar(2),@hou

Alpha阶段项目展示博客 1 团队成员的简介和个人博客地址 成员 头像 岗位 博客 个人介绍 黄贤昊 PM 17373253 喜欢玩游戏和做游戏,项目经验基本都和游戏相关,擅长摸鱼,偶尔敬业. 刘子航 策划 lzhmark 用过typescript.c++ .python和一丢php.最喜欢的事情是把代码写完,然后丢给别人debug 何瑞 程序.策划 _nostalgia 熟悉C++, 然后是python和java,会用mysql,没什么项目经验,各种方向都可以尝试.希望能找到以后能一起开发合

一.序言   陆陆续续的如果累计起来,我估计至少有二十来位左右的朋友加我QQ,向我咨询有关抠图方面的算法,可惜的是,我对这方面之前一直是没有研究过的.除了利用和Photoshop中的魔棒一样的技术或者Photoshop中的选区菜单中的色彩范围类似的算法(这两个我有何PS至少90%一致的代码)是实现简单的抠图外,现在一些state of art 方面的算法我都不了解.因此,也浪费了不少的将知识转换为资产的机会.年30那天,偶然的一个机会,有位朋友推荐我看了一篇关于抠图的文章,并有配套的实现代码,于

1.SIFT概述 SIFT的全称是Scale Invariant Feature Transform,尺度不变特征变换,由加拿大教授David G.Lowe提出的.SIFT特征对旋转.尺度缩放.亮度变化等保持不变性,是一种非常稳定的局部特征. 1.1 SIFT算法具的特点 图像的局部特征,对旋转.尺度缩放.亮度变化保持不变,对视角变化.仿射变换.噪声也保持一定程度的稳定性. 独特性好,信息量丰富,适用于海量特征库进行快速.准确的匹配. 多量性,即使是很少几个物体也可以产生大量的SIFT特征 高速

目录 1 为什么要记录特征转换行为?2 有哪些特征转换的方式?3 特征转换的组合4 sklearn源码分析 4.1 一对一映射 4.2 一对多映射 4.3 多对多映射5 实践6 总结7 参考资料 1 为什么要记录特征转换行为? 使用机器学习算法和模型进行数据挖掘,有时难免事与愿违:我们依仗对业务的理解,对数据的分析,以及工作经验提出了一些特征,但是在模型训练完成后,某些特征可能“身微言轻”——我们认为相关性高的特征并不重要,这时我们便要反思这样的特征提出是否合理:某些特征甚至“南辕北辙”——我们

,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, ,, 1 % Exercise 1: Linear regression with multiple variables %% Initialization %% ================ Part 1: Featu

Oriented FAST and Rotated BRIEF www.cnblogs.com/ronny   这篇文章我们将介绍一种新的具有局部不变性的特征 -- ORB特征,从它的名字中可以看出它是对FAST特征点与BREIF特征描述子的一种结合与改进,这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011年一篇名为"ORB:An Efficient Alternative to SIFT or SURF&qu

在正式发布产品之前往往要先发布一些测试版,让用户能够反馈出相关信息,或者找到存在的Bug,以便在正式版中得到解决. 特别是在有客户参加的情况下,对系统进行测试可能会出现一些我们没有考虑的情况,还可以解决一些客户实际关心的问题 不同的测试技术区分 覆盖测试技术 说明:测试覆盖率可以看出测试的完成度,在测试分析报告中可以作为量化指标的依据,测试覆盖率越高效果越好. 覆盖测试可以是程序代码的执行路径覆盖,亦可以是功能实现的步骤覆盖(可以理解成流程图的路径覆盖). 该技术可以用在任何测试阶段,包括单元测

主要的几个功能: 1.完成多条Emp信息的XML描述2.读取XML文档解析Emp信息3.将Emp(存放在List中)对象转换为XML文档4.在XML文档中查找指定特征的Emp信息 dom4j,jaxen 官网下载页面: http://sourceforge.net/projects/dom4j/files/dom4j-2.0.0-ALPHA-2/ 也可以在网盘上面下载:http://yunpan.cn/cwaNde7UYN83d  提取码 e247 本文作者:souvc 本文出自:http://

常常需要最图像进行仿射变换,仿射变换后,我们可能需要将原来图像中的特征点坐标进行重新计算,获得原来图像中例如眼睛瞳孔坐标的新的位置,用于在新得到图像中继续利用瞳孔位置坐标. 仿射变换在:http://blog.csdn.net/xiaowei_cqu/article/details/7616044 这位大牛的博客中已经介绍的非常清楚. 关于仿射变换的详细介绍,请见上面链接的博客. 我这里主要介绍如何在已经知道原图像中若干特征点的坐标之后,计算这些特征点进行放射变换之后的坐标,然后做一些补充. *

原地址:http://blog.csdn.net/van_ruin/article/details/9166591 .方向梯度直方图(Histogramof Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和统计图像局部区域的梯度方向直方图来构成特征.基本知识可以参考博客:http://blog.csdn.net/zouxy09/article/details/7929348 .Adaboost的基础知识可以参考书籍:统计学