Source: Deep Learning on Medium David Huang Compare Mu

離散傅立葉變換（Discrete Fourier Transform，縮寫為DFT），是傅立葉變換在時域和頻域上都呈離散的形式，將訊號的時域取樣變換為其DFT的頻域取樣。 對於N點序列{

在上篇文章裡，我們主要討論如何使用SVM分類器來抓取出表現最好的技術指標。而我們提到的一個關鍵點在於我們使用了極端隨機樹來選擇技術指標中的一部分來生成一組模型進行訓練。在本文中，我們重點來介

樸素貝葉斯分類器，實際上也是對人們常識做的一個演算法的完善。其以一種更為精準的量化來判斷分類，使用的方法是後驗概率。本文從與決策樹的比較出發，介紹先驗概率和後驗概率的關係，再詳細介紹一下樸素貝葉斯演算法的流程。

線性模型用於分類，分類的原理還要從公式說起。 線性模型的公司的結果 y 是一個連續的輸出結果，如果將 y 的值與 0 作一個界限上的區分，那 y 的值將被分成兩個區域。公式的

即使學過機器學習的人，對機器學習中的 MLE(極大似然估計)、MAP(最大後驗估計)以及貝葉斯估計(Bayesian) 仍有可能一知半解。對於一個基礎模型，通常都可以從這三個角度去建模，比如對於邏輯迴歸（Lo

尋覓網際網路，少有機器學習通俗易懂之演算法講解、案例等，專案立於這一問題之上，整理一份基本演算法講解+案例於文件，供大家學習之。通俗易懂之文章亦不可以面概全，但凡有不正確或爭議之處，望告知，自當不吝賜教！

我們最終是想要 求出最大間隔超平面 ， 所以需要計算出約束條件下的 w和b 這兩個引數，進而得到最大間隔超平面的表示式 求解方法是將原問題轉化為其對偶問題進行求解， 這個過程分為四步，

解決辦法： Android studio的模擬器在ADM cpu上不被支援，沒辦法就出現下面的問題 先是照著網上的教程，安裝了德國的GENYMOTION模擬器，後來不知道什麼原因，無法登

很快又一年過去了。 自學音訊演算法也近一年了。 不記得有多少個日日夜夜， 半夜醒來，就為驗證演算法思路。 一次又一次地改進和突破。 傻逼樣的堅持，必然得到牛逼樣的結果。 這一年，主要扎音

假定有一個訓練集 ，它要麼屬於正例，要麼屬於負例。在分類問題當中，我們最基本的想法就是基於訓練集D在樣本空間中找到一個劃分超平面，將不同的樣本分開。這樣的劃分平面有很多，哪一個是最好的呢？

分類問題中如果資料量不大的情況下用SVM會多一些。 做排序的話用LR和NN比較多，像GBDT這種模型也是可以輸出概率值。 在噪聲的影響下，閾值y會有很多的浮動，如

還是拿質檢員的例子來做分析，假如我是一個質檢員，現在接到了三箱零件需要檢驗，其中第一箱有10個零件，第二箱有20個零件，第三箱有15個。半小時過去了，檢驗的結果出爐，第一箱有1個不合格，第二箱有3個不合格，第三

車牌識別大體上需要經歷過Sobel定位、顏色定位、SVM對定位來的候選車牌進行評測，給出評分，最後通過提取HOG特徵按照訓練模型進入ANN識別。 這一章節介紹 定位相關的邏輯程式碼，其中定位用到 Sobe

以下是Coursera上的How to Win a Data Science Competition: Learn from Top Kagglers課程筆記。 閱讀原文，獲取jupyter noteboo