write down,forget
adidas eqt support ultra primeknit vintage white coming soon adidas eqt support ultra boost primeknit adidas eqt support ultra pk vintage white available now adidas eqt support ultra primeknit vintage white sz adidas eqt support ultra boost primeknit adidas eqt adv support primeknit adidas eqt support ultra boost turbo red white adidas eqt support ultra boost turbo red white adidas eqt support ultra boost turbo red adidas eqt support ultra whiteturbo adidas eqt support ultra boost off white more images adidas eqt support ultra boost white tactile green adidas eqt support ultra boost beige adidas eqt support ultra boost beige adidas eqt support refined camo drop adidas eqt support refined camo drop adidas eqt support refined running whitecamo adidas eqt support 93 primeknit og colorway ba7506 adidas eqt running support 93 adidas eqt support 93
分类 Category : 机器学习

[转]libSVM 简易入门

<Category: 数据挖掘, 机器学习> Comments Off on [转]libSVM 简易入门

简单易懂,libsvm最佳入门。

阅读这篇文章的其余部分 »

本文来自: [转]libSVM 简易入门

Mahout 安装配置

<Category: Mahout, 个性化推荐, 机器学习> 4 条评论

Apache Mahout 是一个机器学习的框架,构建在hadoop上支持大规模数据集的处理,目前最新版本0.4。

Apache Mahout 简介
http://www.ibm.com/developerworks/cn/java/j-mahout/

基于 Apache Mahout 构建社会化推荐引擎
http://www.ibm.com/developerworks/cn/java/j-lo-mahout/

Taste:
http://taste.sourceforge.net

阅读这篇文章的其余部分 »

本文来自: Mahout 安装配置

机器学习的开源工具

<Category: NLP, 机器学习, 资源分享> Comments Off on 机器学习的开源工具

以下工具绝大多数都是开源的,基于GPL、Apache等开源协议,使用时请仔细阅读各工具的license statement
阅读这篇文章的其余部分 »

本文来自: 机器学习的开源工具

HMM-Viterbi Algorithm

<Category: 机器学习, 算法> Comments Off on HMM-Viterbi Algorithm
简单来说,通过给定的观测状态序列,推算另一状态[隐藏状态]最可能出现的序列情况,这些状态的可能变化又称Viterbi Path
Viterbi算法基于如下3个假设:
1.无论是观测到的事件还是隐藏的事件都必须在一个序列中[一般对应时间]
2.这两个序列需要重新校正排列,观测状态需要和一个隐藏状态进行对应
3.每一个状态只依赖于它之前的那一个状态,而与其它的无关
注:以上假设同样满足隐马模型。
说了这么多,还是看个简单的例子吧。

简单来说,通过给定的观测状态序列,推算出可能性最大的隐藏序列,这些序列的可能变化又称Viterbi Path
说到viterbi算法,不得不提隐马模型(HMM),viterbi是HMM里面一个比较重要的算法。

隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析,例如模式识别。

在正常的马尔可夫模型中,状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的,但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。

HMM[隐马尔可夫模型]里有三个经典的问题:

已知模型参数,计算某一特定输出序列的概率.通常使用forward算法解决.

已知模型参数,寻找最可能的能产生某一特定输出序列的隐含状态的序列.通常使用Viterbi算法解决.

已知输出序列,寻找最可能的状态转移以及输出概率.通常使用Baum-Welch算法以及Reversed Viterbi算法解决.

另外,最近的一些方法使用Junction tree算法来解决这三个问题。

Viterbi算法基于如下3个假设:

1.无论是观测到的事件还是隐藏的事件都必须在一个序列中[一般对应时间]

2.这两个序列需要重新校正排列,观测状态需要和一个隐藏状态进行对应

3.每一个状态只依赖于它之前的那一个状态,而与其它的无关

注:以上假设同样满足隐马模型。

说了这么多,还是看个简单的例子吧。

阅读这篇文章的其余部分 »

本文来自: HMM-Viterbi Algorithm