本次人工智能的开发公司谷歌CEO桑达-皮查表示：“世界上真正的挑战不是‘人类对机器’，而是人类利用机器与那些全球性难题之间的对决。阿尔法围棋”对人工智能的发展和人类的发展都是积极的一步，今后它的水平还可能应用到医疗等其他领域，更好地造福人类。”

定义６: 一个替换(Substitution)是形如{t1 / x1, t2 / x2 ,…,tn / xn }的有限集合，其中t1 , t2 ,…,tn 是项， x1, x2 ,…,xn是互不相同的个体变元。 ti / xi表示用ti代换xi 。 ti与xi不同，xi也不能出现在tj中(j=1,2,…,n)。

命题是具有真假意义的陈述句。 不能被分解成更简单的陈述句的命题称为简单命题 命题可用小写字母如p,q,r…表示，称为命题变元。 复合命题是由简单命题和联结词联结而成的命题。

关键字：recommendersystem、collaborativefiltering、关联规则、协同过滤、SVD、KNN....Amazon豆瓣新浪音乐推荐系统常用算法关联规则SlopeoneSVD关联规则沃尔玛的啤酒和尿布关联规则支持度：置信度：算法：Apriori算法、FP-growth算法示例 OpenSlopeOne(MySQL存储过程)：http://code.google.com/p/openslopeoneSVD相似性度量方法基于项目评分预测的协同过滤推荐算法(邓爱林,朱扬勇,施伯乐)问题如果大量的数据miss怎么办？很不幸，这个很常见，netflixprize数据缺失99%，新浪音乐更糟糕，由于长尾效应，新浪音乐数据缺失率99.5%

提纲电子商务推荐系统简介电子商务推荐系统技术介绍基于关联规则的推荐算法基于最近邻居的协同过滤算法基于项目的协同过滤算法电子商务推荐系统简介Harvard商学院的JoePing在大规模定制一文中认为现代企业应该从大规模生产(以标准化的产品和均匀的市场为特征)向大规模定制(为不同客户的不同需求提供不同的商品)转化电子商务推荐系统(RecommendationSystem)向客户提供商品信息和建议，模拟销售人员帮助客户完成购买过程电子商务推荐系统简介电子商务推荐系统的作用：将电子商务网站的浏览者转变为购买者(Converting Browsersinto Buyers)提高电子商务网站的交叉销售能力(Cross-Sell)提高客户对电子商务网站的忠诚度(Building Loyalty)电子商务推荐系统简介电子商务推荐系统的界面表现形式分类：Browsing：客户提出对特定商品的查询要求，推荐系统根据查询要求返回高质量的推荐

机器学习中的数学(6)-强大的矩阵奇异值分解(SVD)及其应用PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样，给别人描述说这个人长得浓眉大眼，方脸，络腮胡，而且带个黑框的眼镜，这样寥寥的几个特征，就让别人脑海里面就有一个较为清楚的认识，实际上，人脸上的特征是有着无数种的，之所以能这么描述，是因为人天生就有着非常好的抽取重要特征的能力，让机器学会抽取重要的特征，SVD是一个重要的方法。

内容简介与以往算法的比较变色龙算法聚类步骤稀疏图相对互连性相对近似性聚类对比试验总结与以往算法的比较以往算法的不足只处理符合某静态模型的簇忽略了不同簇间的信息忽略互连性互连性：簇间距离较近数据对的多少。忽略近似性近似性：簇间数据对的相似度(最近距离)。变色龙算法同时考虑了互连性和近似性变色龙算法的聚类步骤步骤稀疏图节点表示数据项边表示数据项的相似度图的表示基于k-最近邻居图的方法节点表示数据项边表示边的一个节点v在另一个节点u的k个最相似点中。好处：距离很远的数据项完全不相连边的权重代表了潜在的空间密度信息在密集和稀疏区域的数据项都同样能建模表示的稀疏便于使用有效的算法相对互连性(RI)相对互连性函数：EC(Ci,Cj):连接簇Ci和Cj的所有边的权重和。

聚类分析?聚类分析中的数据类型主要聚类分析方法分类划分方法（PartitioningMethods）分层方法基于密度的方法基于表格的方法基于模型（Model-Based）的聚类方法异常分析总结DataMining:Conceptsand Techniques什么是聚类分析?簇（Cluster）:一个数据对象的集合在同一个类中，对象之间0具有相似性；不同类的对象之间是相异的。聚类分析把一个给定的数据对象集合分成不同的簇；聚类是一种无监督分类法:没有预先指定的类别；典型的应用作为一个独立的分析工具，用于了解数据的分布；作为其它算法的一个数据预处理步骤；聚类的常规应用模式识别空间数据分析在GIS中，通过聚类发现特征空间来建立主题索引；

什么是聚类聚类(clustering)是一个将数据集划分为若干组(class)或类(cluster)的过程，并使得同一个组内的数据对象具有较高的相似度；而不同组中的数据对象是不相似的。什么是聚类过程将一组(set)物理的或抽象的对象，根据它们之间的相似程度，分为若干组(group)；其中相似的对象构成一组，这一过程就称为聚类过程(clustering)什么是聚类分析一个聚类(cluster)就是由彼此相似的一组对象所构成的集合；不同聚类中对象是不相似的。就是从给定的数据集中搜索数据项(items)之间所存在的有价值联系。在许多应用，一个聚类中所有对象常常被当作一个对象来进行处理或分析等操作许多领域，包括数据挖掘、统计学和机器学习都有聚类研究和应用!

简易聚类分析～能力分组一、研究动机：我们由绿豆成长的实验中，控制一个变因－有无光照（照光、暗室）﹔由实验结果可以看出－在光照环境下的绿豆茎长明显短于暗室中成长的绿豆。若依此结果，量出每一颗绿豆的茎长画于数线上（如下〔图一〕所示，S1,S2,S3为照光组、D1,D2,D3为暗室组）。很清楚的，如果我们要依据茎的长度将这六颗绿豆分成两组，那显然是S1,S2,S3一组，D1,D2,D3一组。这样直观的分组结果与实验的结果不谋而合（即照光组与暗室组）。然而，这种直观的分组方法其实就是利用"距离近的在一组"的观点来处里的。我们就以此为出发点，试着利用距离来处理分组问题。 ?〔　图一〕二、研究目的：比较聚类分组与传统能力分组的差别。若假设数学及生物为国一的理科科目，我们想利用这两科成绩来对班上的同学做一理科​​能力分组。

摘要：朴素贝叶斯分类器是机器学习中一种简单而又有效的分类方法。但是由于它的属性条件独立性假设在实际应用中经常不成立，这影响了它的分类性能。本文基于信息几何和Fisher分，提出了一种新的创建属性集的方法。把原有属性经过Fisher分映射成新的属性集，并在新属性集上构建贝叶斯分类器。我们在理论上探讨了新属性间的条件依赖关系，证明了在一定条件下新属性间是条件独立的。试验结果表明，该方法较好地提高了朴素贝叶斯分类器的性能。关键词：朴素贝叶斯分类器；信息几何；Fisher分；条件独立1.引言朴素贝叶斯分类器（NaïveBayesianClassifier）是一种基于Bayes理论的简单分类方法，它在很多领域都表现出优秀的性能[1][2]。

聚类分析又称群分析，它是研究（样品或指标）分类问题的一种多元统计方法，所谓类，通俗地说，就是指相似元素的集合。严格的数学定义是较麻烦的，在不同问题中类的定义是不同的。详见参考文献[1]。<br> 聚类分析起源于分类学，在考古的分类学中，人们主要依靠经验和专业知识来实现分类。随着生产技术和科学的发展，人类的认识不断加深，分类越来越细，要求也越来越高，有时光凭经验和专业知识是不能进行确切分类的，往往需要定性和定量分析结合起来去分类，于是数学工具逐渐被引进分类学中，形成了数值分类学。后来随着多元分析的引进，聚类分析又逐渐从数值分类学中分离出来而形成一个相对独立的分支。

本文提出了一种新的分类和检测的新网络。该网络最大的特点就是提升了计算资源的利用率。在网络需要的计算不变的前提下，通过工艺改进来提升网络的宽度和深度。最后基于Hebbian Principle和多尺寸处理的直觉来提高性能。在ILSVRC-2014中提交了这种网络，叫GoogLeNet有22层。Introduction GoogLeNet 只用了比[9]少12倍的参数，但正确率更高。本文最大的工作是通过CNN和普通的计算机视觉结合，类似于R-CNN[6]。因为算法的ongoing traction of mobile和嵌入式计算，算法的效率变得很重要。也导致了本文不会使用绝对的数量。本文将会关注CV的深度神经网络“Inception”。本文既将Inception提升到了一个新的高度，也加深了网络的深度。Related Work最近两年的工作是增加层数和层大小，利用dropout来解决过拟合的问题。而传统的CNN还用来进行定位、检测、人体姿势估计。[15]用了不同的大小。

Palantir是什么?业界理解：数据分析平台，通过图（graphs），地图（maps），统计（statistics），集合（settheory）分析结构或非结构化数据个人理解：用于知识图谱创建，管理，搜索，发现，挖掘，积累的可扩展的大数据分析平台五大支柱数据集成：集成不同源数据，基于语义网（Ontology）来创建实体搜索和发现：围绕Ontology来搜索发现结果和关系知识管理：所有的知识是有权限控制的协作：知识可以在不同的用户之间共享，协同工作算法引擎：对于通用领域问题，提供了通用算法来发现趋势语义网/知识图谱/Ontology构成Palantir的Ontology有：三种基本类型，类型间的关系，类型属性三种基本类型：实体（Entities），事件（Events）和文档（Documents）实体：就是物体

本文由DMLC分布式深度机器学习开源项目（中文名深盟）开发者联合撰写，介绍DMLC已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等组件主要解决的问题、实现方式及其性能表现，并简要说明项目的近期规划。【编者按】算法速度、系统性能以及易用性的瓶颈，制约着目前机器学习的普及应用，DMLC分布式深度机器学习开源项目（中文名深盟）的诞生，正是要降低分布式机器学习的门槛。本文由深盟项目开发者联合撰写，将深入介绍深盟项目当前已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等组件主要解决的问题、实现方式及其性能表现，并简要说明项目的近期规划。

io是一个独立的模块； layer是神经网络层的实现，并且定义了前向和后向的propagation； updater是参数上传模型，它定义了权制上传规则； nnet将神经网络层结合在一起，组建成一个神经网络； io是一个用于读入各类数据和预处理的输入模型。

DIY Deep Learning for Vision:a Hands-On Tutorial with Caffe

2015/08/06 新版caffe-windows上线了，由于vs2012编译速度太慢，从这个版本开始，不再对vs2012提供支持。 最主要的更新就是CuDNN升级至v3版，此外我还用了一种不太好看的方式生成了caffe主程序的静态库，这样就不用重复编译好几次了，如果你知道更好的生成静态库的方式

1. net.blobs.items() 存储了预测图片的网络中各层的feature map的数据。 2. net.params.items()存储了训练结束后学习好的网络参数。 3. vis_square函数视觉化data，主要是进行数据归一化，data转换为plt可视化的square结构。

最近准备从物体检测的角度来重新审视文本检测这个方向，所以看了下CNN大火以后的几篇经典文献，OverFeat，RegionCNN，DenseNeuralPattern等等。对这个方向来说，百闻不如一试，趁着其他程序还在跑没什么事，我安装了一下RCNN来看看效果