拉普拉斯平滑 问题引入 在上一节中，我们使用朴素贝叶斯来解决垃圾邮件分类问题。我们设 \(x\) 表示邮件内容特征，\(x\) 的每一个分量（取值0或1）表示词典中对应位置的单词是否出现，\(y\) 表示该邮件是否为垃圾邮件。我们假设\(P

引入 在前面的课程中，我们学会了使用 Logistic 回归来解决二分类问题。 Logistc 回归本质上是一种判别学习算法（Discriminative Learning Algorithm），目标是找到一个决策边界或者一个条件概率分布

Perception算法 Perception 也是一种用来解决二分类问题的算法。它的具体形式也很直观—— \[ h_\theta(x) = g(\theta^Tx) \\ \\ g(z) = \begin{cases} 1, &a

局部加权线性回归 参数学习算法和非参数学习算法 在机器学习中，我们有参数学习算法和非参数学习算法 参数学习算法是指对具有特定参数的模型进行拟合的算法。 在该算法中，模型具有一组已知的参数。也就是说，我们明确知道“模型的表示形式”——例如

线性回归 线性回归是最简单的监督学习回归问题。监督学习的基本流程： 测试数据集，包含一系列\((x, y)\)对 数据输入到学习算法 输出一个函数\(h\)，使得该函数可以很好地为输入的 x 生成对应的 y 使用函数\(h\)对其他数据

监督学习 监督学习：应用最广泛 。给定数据集——输入特征\(X\)、输出标签\(Y\)， 学习从\(X\)到\(Y\)的映射。 回归(Regression)：需要预测的 Y 是连续的 线性回归 多项式回归 ...... 分类(Clas

编译器总体设计 总体结构 本文描述的编译器是采用Java语言编写的MIPS编译器。该编译器分为前端，中端，后端三部分—— 前端：词法分析、语法分析、语义分析，最终将源程序生成为LLVM IR 中端：中间代码优化，包括mem2reg，GVN

Block是Ruby中比较重要的概念，也算是一块比较难啃的骨头。笔者在学Ruby基础的时候，碰到了很多关于块的“神奇操作“，但是在google上搜了很久也没有找到满意的答案（毕竟Ruby相对小众一点）。本想先跳过，在学完rails之后再补习

前言 当笔者第一次看到===时，便想当然的认为这与JavaScript中===的用法相同，即“同时比较数据类型和数值”。为了验证这个猜想，我在irb中做了以下测试 1.0是浮点类型，而1是整数类型，但是1===1.0的结果却是true。很

Shell中有一系列诸如 ${ },$[ ],$( ),[[ ]]这样的特殊符号，它们长相相似但用法却大相径庭，非常容易混淆。笔者在写Shell脚本时也经常将它们的用法弄混，因此特地整理在此，以便日后查阅。 $ 的用法 在写Shell脚本时