很多情况下，类别之间的分类边界并不是线性的，一种更好的选择是使用更复杂的非线性函数来描述分类。本文介绍了模式识别常用的非线性分类器，主要包括近邻法分类器（NN、KNN）、支持向量机（SVM）、决策树（DT），最后介绍分类器的集成。本章内容预计花费 4 个课时学习。 1. 引言 2. 近邻法分类器（NN / KNN） 2.1. 最近邻法 2...
SIRLIS
取消
模式识别（非线性分类器）
深度学习（基础数学知识）
本文介绍了机器（深度）学习的基础数学知识，作为后续深入学习的基础。 1. 矩阵 1.1. 迹（trace） 1.2. 范数 1.2.1. 向量范数 1.2.2. 矩阵范数 1.3. 正交矩阵 1.4. 矩阵的值域、零空间和秩 ...
模式识别（LDA和PCA）
本文介绍了模式识别种常用的两种特征选择与特征降维方法，即线性判别分析（Linear Discriminant Analysis，LDA）和主成分分析（Principal Component Analysis，PCA）。 1. 特征降维 2. 线性判别分析（LDA） 2.1. Fisher 投影准则 2.2. 瑞利商与广义瑞利商 ...
模式识别（贝叶斯决策）
本文介绍了模式识别的贝叶斯决策，包括贝叶斯公式、最小错误贝叶斯决策、最小风险贝叶斯决策。 1. 决策理论与方法 1.1. 基于先验概率的决策 1.2. 基于贝叶斯公式（后验概率）的决策 2. 最小错误贝叶斯决策 2.1. 直观举例 2.2. 类概率密度 2.3. 错误率分析 ...
模式识别（线性分类器）
本文介绍了模式识别的线性分类器，包括线性分类器的基础概念、垂直平分准则以及垂直平分分类器、Fisher 投影准则、感知准则、最小错分样本准则、最小平方误差准则、最小二乘估计。 1. 引言 2. 线性分类器基础 2.1. 线性判别函数 2.2. 广义线性判别函数 2.3. 二分类与多分类 2.4. 线性分类器设计的基...
强化学习（策略梯度法）
本文介绍了强化学习的策略梯度法（Policy Gradient）。 1. 回顾 2. 策略梯度 2.1. 策略函数 2.2. 策略函数的分布形式 2.3. 策略梯度的概念 3. 策略梯度的计算 3.1. 基于累计收益的策略梯度 3.2. 基于初始状态价值的策略梯度 ...
如何清理 .git 文件夹来减小 github 仓库大小
本文介绍了如何清理github本地缓存文件夹来减小 github 仓库大小。 1. github 1.1. git 命令 1.2. github 桌面 1.3. .git 文件夹 2. .git 文件夹清理 2.1. Linux 环境命令行清理 2.2. 跨平台 BFG 工具清...
在 Windows 中部署和使用 WSL 并进行跨平台 C/C++ 开发
本文介绍了如何在 Windows 操作系统中适用微软官方提供的 WSL（Windows Subsystem for Linux） 工具部署 Linux 子系统。 1. 什么是 WSL 1.1. WSL 1 和 WSL 2 1.2. 例外情况（使用 WSL 1 而不是 WSL 2） 2. 安装 WSL ...
航天中的四元数以及姿态运动学
本文介绍了航天器姿态描述、姿态变换和姿态运动学中涉及的四元数表示法。 1. 基础 1.1. 矢量的正交分解 1.2. 叉乘矩阵 1.3. 坐标系定义 2. 轴角旋转 3. 姿态四元数 3.1. 四元数定义 3.2. 四元数表示旋转 3.3. 姿态四元数 ...
使用CMake开发C++工程
本文介绍了使用 CMake（CPack） 和 NSIS 构建并打包 C/C++ 工程项目的基本流程和方法，核心在于 CMakeLists.txt 文件的编写。 1. 引言 1.1. 传统编译 1.2. Make 编译 1.3. CMake 编译 2. 安装 CMake 3. 编写 CMakeLists.tx...