数据结构 第九、十讲 排序 一、前提 统一格式 void X_Sort(ElementType A[],int N); 1.大多情况下，为简单起见，讨论从小到大的整数排序 2.N是正整数 3.只讨论基于比较的排序（>,=,<有定义） 4.只讨论内部排序 5.稳定性：任意两个相等的数据，排序前后的相对位置不发生改变 6.没有一种排序是
目录 九、Structure from Motion 1、三角测量与相机姿态 2、Structure from Motion （1）从2D tracks做SFM（用刚体分解封闭形式解做粗解） （2）使用BA对SFM进行Refine（用非线性优化方法做精细解） 九、Structure from Motion 1、三角测量与相机姿态 首先考虑这样一个问题：假定
目录 四、3D投影几何以及变换 1、3D投影空间中的点 2、3D投影空间中的平面 3、3D投影空间中的二次曲面 4、投影相机 （1）投影相机定义 5、3D投影变换 （1）欧式变换 （2）相似变换 （3）仿射变换 （4）投影变换 （5）3D单应性矩阵在点、平面、二次曲面的使用 四、3D投影几何以及变换 在这一讲我们将会
第一讲目录 一、3D视觉与应用介绍 3D 视觉定义 3D 视觉应用 1.Large-scale 3D reconstruction（大规模三维重建） 2.Motion capture(动作捕捉) 3.Augmented reality（增强现实） 二、投影几何 1.投影变换定义 2.投影几何分类 （1）2D投影几何 （2）3D投影几何 三.2D投影几何以及变换 1、2D投影几
要么读书，要么旅行，身体和灵魂总有一个在路上 索引 作者 书名 00850 贡布里希 写给大家的简明世界史 00851 严歌苓 扶桑 00852 康纳尔·奥克利里 影子富豪查克·菲尼 00853 彭征 巨人不死密码 00854 蔡石山 永乐大帝 00855 吴晗 历史的镜子 00856 张健初 孙多慈
数学模型：马尔可夫决策过程\((MDP)\) 强化学习方法形式化为\(MDP\)，\(MDP\)是序列决策算法的一般数学框架 通常将\(MDP\)表示为四元组\((S,A,P,R)\)： \(S\)表示状态空间，是描述环境的状态，表示为\(S=\{s_1,s_2,s_3,...\}\) \(A\)表示行动空间，是智能体可执行的行动，表示为\(A=\{a_1,a_2
聚类：物以类聚，人以群分 假设f(x)f(x)为多元函数，如果对任意t∈[0,1]t∈[0,1]，均满足： f(tx1+(1−t)x2)≤tf(x1)+(1−t)f(x2)f(tx1+(1−t)x2)≤tf(x1)+(1−t)f(x2) 则称f(x)f(x)为凸函数 JensenJensen不等式：如果ff是凸函数，XX是随机变量，则：f(E[X])≤E[f(X)]f(E[X])≤E[f(X)] J
感知机 原理 下面用一个 perception 函数实现上述算法。为了深入观察算法运行过程，我们保留了每一轮迭代的参数 ww，并对每一轮迭代中随机选取的样本也进行了记录。所以，perception 函数返回三个取值: 最终学习到的参数 w, 每轮迭代的参数 W, 每轮迭代随机选取的样本
机器学习的方法： 强化学习: 强化学习的方法： Qlearning： 学习建议：
强化学习： 智慧决策的过程，通过过程模拟和观察来不断学习，提高决策能力 策略：在特定状态下应该怎么采取行动 目的：找到最佳策略，即能够获得最大奖励的策略 数学模型： 策略和目标： 在马尔科夫决策过程中，最终需要求解一个策略，他是行动和状态之间的映射 分为确定性策略和随机性策略 目
应用领域： 神经元和感知机： 梯度计算： 机器学习和深度学习 卷积神经网络：
了解大数据，人工智能，机器学习和深度学习，机器学习的分类，基本概念和模型选择及一些算法
今天着重讲解了线性回归，一元和多元
天学习数学知识为主，点到平面的距离，梯度下降法，最大似然估计。还有感知机，逻辑回归和支持向量机等
决策树的生成： 节点特征和分割点的选择： 随机森林算法： AdaBoost:
机器学习十讲》——第九讲（深度学习） 应用 图像识别：IMAGENET。 机器翻译：Google神经机器翻译系统。 语音识别： 以往GMM-HMM传统方法一直未有突破，2011年使用DNN后获得较大突破，2015年，IBM再次将错误率降低到6.9%，接近人类的平均水平（4%） 游戏：DeepMind团队开发的自我学习玩游戏
《机器学习十讲》——第八讲（维度灾难） 维度灾难：随着维度（如特征或自由度）的增多，问题的复杂性（或计算算代价）呈指数级增长的现象。 高维空间的反直觉示例：单位球体积： 一维，二维，三维的 长度/面积/体积 都有公式计算，而高维的计算公式是这样的： d维空间半径为r的球体体积公式： 单位球体积
第四讲——模型提升： 课程先分析了误差来源： f*是通过训练集得到的一个函数，f^是这个空间H中理论最好的函数，而这个训练集背后是由f产生的，也就是说f是最好的函数，f^次之，f*是由训练集D得到的函数，他和空间H中理论最好的f^之间的误差叫做估计误差，f^与f之间的误差，叫做逼近
今日学习：《设计原本》阅读笔记第三篇，雪地路段视频拍摄（要求的训练素材），学习知识回顾。 未完成：《机器学习十讲》第六讲 反省：主要是犯了懒病，挤挤时间还是能够完成，明天要“补课”。
机器学习十讲——第五讲（聚类） 数学知识相关 凸函数：假设f(x)为多元函数，如果对任意t∈[0,1]，均满足：。则称f(x)为凸函数。 Jensen不等式：如果f是凸函数，X是随机变量，则。 该不等式的另一种描述：。ai表示权重。取等号的条件是：f(xi)是常量。 凸函数图示： 聚类
《机器学习十讲》——第四讲（模型提升） 本讲主要讲了三个算法：决策树，随机森林，AdaBoost 模型误差的来源 非线性模型 线性回归：多项式回归 支持向量机：给定的核函数组合，基本属于“猜测” 决策树：空间划分的思想来处理非线性数据 深度学习 感知机：线性回归+简单的
《机器学习十讲》——第三讲：分类 数学知识回顾： 点到平面距离： 梯度下降法： 简介：求解无约束最优化问题的经典方法，机器学习和深度学习中应用最广泛的模型求解算法。 定义：如果实值函数g(w)在a处可微且有定义，那么函数g(w)在a处沿着梯度相反的方向-▽g(a)下降最快 优化问题： 更新
今天着重讲解了线性回归，一元和多元
一、前言 今天主要是讲解了有监督学习中回归的一系列问题，从简单的线性回归到岭回归、LASSO回归等。 回归问题简单来说就是根据所选定的特征值，通过选定的参数也就是权重，计算出预测的目标值，而学习的过程就是得出最符合的权重，使得预测值能够接近真实的目标值。 二、笔记 NumP
