本文介绍了无监督分类器的设计原理和方法。不同于前面章节介绍的分类器，无监督分类器旨在没有类别标签的情况下完成样本的分类。由于样本的类别标签位置，无监督分类器具有一定的学习能力，因此相关分类方法又被称为无监督学习。聚类（Clustering）分析是最典型的无监督学习方法。 1. 聚类 1.1. 相似性测度 1.1.1....
SIRLIS
取消
模式识别（无监督分类器）
模式识别（特征选择与特征提取）
本文介绍了模式识别中特征的概念，包括颜色特征、形状特征、纹理特征、空间关系特征。然后介绍了常用的特征选择与特征提取方法，包括类别可分性准则、最优搜索、次优搜索、启发式搜索、线性特征提取、非线性特征提取等。 1. 特征 1.1. 颜色特征 1.1.1. 颜色直方图 1.1.2. 颜色矩 ...
日常tips手册（Zotero文献管理）
本文介绍了使用 Zotero 进行文献管理的一些方法和技巧。 1. 引言 2. 添加条目 3. 同步 4. 插件 5. 文献导出 5.1. 英文 CSL 样式 5.2. 中文 CSL 样式 5.3. 导出格式 1. 引言 Zotero 是一款免费、易于使用的工具，可以帮助您收集、管理、阅读、批...
模式识别（非线性分类器）
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...
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. 回顾基于价值的强化学习 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 2.3.1. 回顾价值梯度 2.3.2. 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...