本篇文章我们一起来讨论一些关于概率的内容。贝叶斯定理可能大家经常关注“概率”、“统计”、甚至“机器学习”方面的内容时会听到，关于这个公式的推导是比较复杂的，所以这里不再赘述。我们来换个角度讲一点简单、

　　我们在上文 小白机器学习基础算法学习必经之路（上 ）简述了线性回归 (Linear Regression) ，逻辑回归 (Logistic Regression) ，决策树 (Decision Tre

　　常见的机器学习算法 以下是 最常用的机器学习算 法，大部分数据问题都可以通过它们解决： 1.线性回归 (Linear Regression) 2.逻辑回归 (Logistic Regression)

　　现在很多想从事于机器学习的朋友都存在很多困惑，主要是很多相关的书看不懂，尤其是数学部分， 机器学习的基础是数学 。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。 对于机器学习算法工程师而言，

　　Kaggle 的房价预测竞赛从 2016 年 8 月开始，到 2017 年 2 月结束。 这段时间内，超过 2000 多人参与比赛，选手采用高级回归技术，基于我们给出的 79 个特征，对房屋的售价进行

　　很多同学在学习机器学习的时候，理论粗略看一遍之后就直接上手编程了，非常值得表扬。但是他不是真正的上手写算法，而是去直接调用 sklearn 这样的 package，这就不大妥当了。笔者不是说调包不好，

　　先说一个事引出这个博客的内容，我最近投的一篇论文被拒稿，用到的方法使SVM（很惭愧，还在用20年前的算法，当然这并不是重点），审稿意见里面有一段话是这样说的（说的很中肯）：“该方法本身的特点来看就很难

　　我们在开始接触SVM时肯定听到过类似这样的话，决定决策边界的数据叫做支持向量，它决定了margin到底是多少，而max margin更远的点，其实有没有无所谓。  然后一般会配一张图说明一下哪些是支持

　　网上有很多关于SVM的优秀博客与其他学习资料，而个人感觉本系列博客与其他关于SVM的文章相比，多了一些细节的证明，比如线性分类器原理，支持向量原理等等。  同样是SVM，在《支持向量机导论》中有170

　　SVM算法在在1995年正式发表，在针对中小型数据规模的分类任务上有着卓越的效果，同时有着完整的理论证明，在20世纪末的几年和21世纪初的10年完胜神经网络，吴恩达在其2003年的《Machien l

　　Andrew Ng 在斯坦福大学的机器学习公开课上这样评价支持向量机：  support vector machines is the supervised learning algorithm th

　　【导读】如果你稍微了解一点深度学习的知识或者看过深度学习的在线课程，你就一定知道最基础的多分类问题。当中，老师一定会告诉你在全连接层后面应该加上 Softmax 函数，如果正常情况下（不正常情况指的是

　　YOLO2结构 YOLO系列的实现有一个自己的框架叫做draknet，这是一个纯C的框架，无论是YOLO还是YOLO2，在代码实现上都是用darknet，改变的是网络结构的配置文件，首先我们来看一下它

　　基本概念 我们从一个实例来了解机器学习的基本概念。假设我们现在面临这样一个任务(Task) ,任务的内容是识别手写体的数字。对于计算机而言，这些手写数字是一张张图片，如下所示：     对人来说，识别

　　R-FCN简介 上面这张图在这个系列文章中都会出现，可以看到，在时间轴上R-FCN并不应该出现在第五篇中，但是R-FCN在内容上是承接Faster R-CNN的，同样是何凯明团队提出，所以在这里把R-