本次人工智能的開發公司谷歌CEO桑達-皮查表示：“世界上真正的挑戰不是‘人類對機器’，而是人類利用機器與那些全球性難題之間的對決。阿爾法圍棋”對人工智能的發展和人類的發展都是積極的一步，今后它的水平還可能應用到醫療等其他領域，更好地造福人類。”

定義６: 一個替換(Substitution)是形如{t1 / x1, t2 / x2 ,…,tn / xn }的有限集合，其中t1 , t2 ,…,tn 是項， x1, x2 ,…,xn是互不相同的個體變元。 ti / xi表示用ti代換xi 。 ti與xi不同，xi也不能出現在tj中(j=1,2,…,n)。

命題是具有真假意義的陳述句。 不能被分解成更簡單的陳述句的命題稱為簡單命題 命題可用小寫字母如p,q,r…表示，稱為命題變元。 復合命題是由簡單命題和聯結詞聯結而成的命題。

關鍵字：recommendersystem、collaborativefiltering、關聯規則、協同過濾、SVD、KNN....Amazon豆瓣新浪音樂推薦系統常用算法關聯規則SlopeoneSVD關聯規則沃爾瑪的啤酒和尿布關聯規則支持度：置信度：算法：Apriori算法、FP-growth算法示例 OpenSlopeOne(MySQL存儲過程)：http://code.google.com/p/openslopeoneSVD相似性度量方法基于項目評分預測的協同過濾推薦算法(鄧愛林,朱揚勇,施伯樂)問題如果大量的數據miss怎么辦？很不幸，這個很常見，netflixprize數據缺失99%，新浪音樂更糟糕，由于長尾效應，新浪音樂數據缺失率99.5%

提綱電子商務推薦系統簡介電子商務推薦系統技術介紹基于關聯規則的推薦算法基于最近鄰居的協同過濾算法基于項目的協同過濾算法電子商務推薦系統簡介Harvard商學院的JoePing在大規模定制一文中認為現代企業應該從大規模生產(以標準化的產品和均勻的市場為特征)向大規模定制(為不同客戶的不同需求提供不同的商品)轉化電子商務推薦系統(RecommendationSystem)向客戶提供商品信息和建議，模擬銷售人員幫助客戶完成購買過程電子商務推薦系統簡介電子商務推薦系統的作用：將電子商務網站的瀏覽者轉變為購買者(Converting Browsersinto Buyers)提高電子商務網站的交叉銷售能力(Cross-Sell)提高客戶對電子商務網站的忠誠度(Building Loyalty)電子商務推薦系統簡介電子商務推薦系統的界面表現形式分類：Browsing：客戶提出對特定商品的查詢要求，推薦系統根據查詢要求返回高質量的推薦

機器學習中的數學(6)-強大的矩陣奇異值分解(SVD)及其應用PCA的實現一般有兩種，一種是用特征值分解去實現的，一種是用奇異值分解去實現的。在上篇文章中便是基于特征值分解的一種解釋。特征值和奇異值在大部分人的印象中，往往是停留在純粹的數學計算中。而且線性代數或者矩陣論里面，也很少講任何跟特征值與奇異值有關的應用背景。奇異值分解是一個有著很明顯的物理意義的一種方法，它可以將一個比較復雜的矩陣用更小更簡單的幾個子矩陣的相乘來表示，這些小矩陣描述的是矩陣的重要的特性。就像是描述一個人一樣，給別人描述說這個人長得濃眉大眼，方臉，絡腮胡，而且帶個黑框的眼鏡，這樣寥寥的幾個特征，就讓別人腦海里面就有一個較為清楚的認識，實際上，人臉上的特征是有著無數種的，之所以能這么描述，是因為人天生就有著非常好的抽取重要特征的能力，讓機器學會抽取重要的特征，SVD是一個重要的方法。

內容簡介與以往算法的比較變色龍算法聚類步驟稀疏圖相對互連性相對近似性聚類對比試驗總結與以往算法的比較以往算法的不足只處理符合某靜態模型的簇忽略了不同簇間的信息忽略互連性互連性：簇間距離較近數據對的多少。忽略近似性近似性：簇間數據對的相似度(最近距離)。變色龍算法同時考慮了互連性和近似性變色龍算法的聚類步驟步驟稀疏圖節點表示數據項邊表示數據項的相似度圖的表示基于k-最近鄰居圖的方法節點表示數據項邊表示邊的一個節點v在另一個節點u的k個最相似點中。好處：距離很遠的數據項完全不相連邊的權重代表了潛在的空間密度信息在密集和稀疏區域的數據項都同樣能建模表示的稀疏便于使用有效的算法相對互連性(RI)相對互連性函數：EC(Ci,Cj):連接簇Ci和Cj的所有邊的權重和。

聚類分析?聚類分析中的數據類型主要聚類分析方法分類劃分方法（PartitioningMethods）分層方法基于密度的方法基于表格的方法基于模型（Model-Based）的聚類方法異常分析總結DataMining:Conceptsand Techniques什么是聚類分析?簇（Cluster）:一個數據對象的集合在同一個類中，對象之間0具有相似性；不同類的對象之間是相異的。聚類分析把一個給定的數據對象集合分成不同的簇；聚類是一種無監督分類法:沒有預先指定的類別；典型的應用作為一個獨立的分析工具，用于了解數據的分布；作為其它算法的一個數據預處理步驟；聚類的常規應用模式識別空間數據分析在GIS中，通過聚類發現特征空間來建立主題索引；

什么是聚類聚類(clustering)是一個將數據集劃分為若干組(class)或類(cluster)的過程，并使得同一個組內的數據對象具有較高的相似度；而不同組中的數據對象是不相似的。什么是聚類過程將一組(set)物理的或抽象的對象，根據它們之間的相似程度，分為若干組(group)；其中相似的對象構成一組，這一過程就稱為聚類過程(clustering)什么是聚類分析一個聚類(cluster)就是由彼此相似的一組對象所構成的集合；不同聚類中對象是不相似的。就是從給定的數據集中搜索數據項(items)之間所存在的有價值聯系。在許多應用，一個聚類中所有對象常常被當作一個對象來進行處理或分析等操作許多領域，包括數據挖掘、統計學和機器學習都有聚類研究和應用!

簡易聚類分析～能力分組一、研究動機：我們由綠豆成長的實驗中，控制一個變因－有無光照（照光、暗室）﹔由實驗結果可以看出－在光照環境下的綠豆莖長明顯短于暗室中成長的綠豆。若依此結果，量出每一顆綠豆的莖長畫于數線上（如下〔圖一〕所示，S1,S2,S3為照光組、D1,D2,D3為暗室組）。很清楚的，如果我們要依據莖的長度將這六顆綠豆分成兩組，那顯然是S1,S2,S3一組，D1,D2,D3一組。這樣直觀的分組結果與實驗的結果不謀而合（即照光組與暗室組）。然而，這種直觀的分組方法其實就是利用"距離近的在一組"的觀點來處里的。我們就以此為出發點，試著利用距離來處理分組問題。 ?〔　圖一〕二、研究目的：比較聚類分組與傳統能力分組的差別。若假設數學及生物為國一的理科科目，我們想利用這兩科成績來對班上的同學做一理科??能力分組。

摘要：樸素貝葉斯分類器是機器學習中一種簡單而又有效的分類方法。但是由于它的屬性條件獨立性假設在實際應用中經常不成立，這影響了它的分類性能。本文基于信息幾何和Fisher分，提出了一種新的創建屬性集的方法。把原有屬性經過Fisher分映射成新的屬性集，并在新屬性集上構建貝葉斯分類器。我們在理論上探討了新屬性間的條件依賴關系，證明了在一定條件下新屬性間是條件獨立的。試驗結果表明，該方法較好地提高了樸素貝葉斯分類器的性能。關鍵詞：樸素貝葉斯分類器；信息幾何；Fisher分；條件獨立1.引言樸素貝葉斯分類器（Na?veBayesianClassifier）是一種基于Bayes理論的簡單分類方法，它在很多領域都表現出優秀的性能[1][2]。

聚類分析又稱群分析，它是研究（樣品或指標）分類問題的一種多元統計方法，所謂類，通俗地說，就是指相似元素的集合。嚴格的數學定義是較麻煩的，在不同問題中類的定義是不同的。詳見參考文獻[1]。<br> 聚類分析起源于分類學，在考古的分類學中，人們主要依靠經驗和專業知識來實現分類。隨著生產技術和科學的發展，人類的認識不斷加深，分類越來越細，要求也越來越高，有時光憑經驗和專業知識是不能進行確切分類的，往往需要定性和定量分析結合起來去分類，于是數學工具逐漸被引進分類學中，形成了數值分類學。后來隨著多元分析的引進，聚類分析又逐漸從數值分類學中分離出來而形成一個相對獨立的分支。

本文提出了一種新的分類和檢測的新網絡。該網絡最大的特點就是提升了計算資源的利用率。在網絡需要的計算不變的前提下，通過工藝改進來提升網絡的寬度和深度。最后基于Hebbian?Principle和多尺寸處理的直覺來提高性能。在ILSVRC-2014中提交了這種網絡，叫GoogLeNet有22層。Introduction GoogLeNet?只用了比[9]少12倍的參數，但正確率更高。本文最大的工作是通過CNN和普通的計算機視覺結合，類似于R-CNN[6]。因為算法的ongoing?traction?of?mobile和嵌入式計算，算法的效率變得很重要。也導致了本文不會使用絕對的數量。本文將會關注CV的深度神經網絡“Inception”。本文既將Inception提升到了一個新的高度，也加深了網絡的深度。Related?Work最近兩年的工作是增加層數和層大小，利用dropout來解決過擬合的問題。而傳統的CNN還用來進行定位、檢測、人體姿勢估計。[15]用了不同的大小。

Palantir是什么?業界理解：數據分析平臺，通過圖（graphs），地圖（maps），統計（statistics），集合（settheory）分析結構或非結構化數據個人理解：用于知識圖譜創建，管理，搜索，發現，挖掘，積累的可擴展的大數據分析平臺五大支柱數據集成：集成不同源數據，基于語義網（Ontology）來創建實體搜索和發現：圍繞Ontology來搜索發現結果和關系知識管理：所有的知識是有權限控制的協作：知識可以在不同的用戶之間共享，協同工作算法引擎：對于通用領域問題，提供了通用算法來發現趨勢語義網/知識圖譜/Ontology構成Palantir的Ontology有：三種基本類型，類型間的關系，類型屬性三種基本類型：實體（Entities），事件（Events）和文檔（Documents）實體：就是物體

本文由DMLC分布式深度機器學習開源項目（中文名深盟）開發者聯合撰寫，介紹DMLC已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等組件主要解決的問題、實現方式及其性能表現，并簡要說明項目的近期規劃。【編者按】算法速度、系統性能以及易用性的瓶頸，制約著目前機器學習的普及應用，DMLC分布式深度機器學習開源項目（中文名深盟）的誕生，正是要降低分布式機器學習的門檻。本文由深盟項目開發者聯合撰寫，將深入介紹深盟項目當前已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等組件主要解決的問題、實現方式及其性能表現，并簡要說明項目的近期規劃。

io是一個獨立的模塊； layer是神經網絡層的實現，并且定義了前向和后向的propagation； updater是參數上傳模型，它定義了權制上傳規則； nnet將神經網絡層結合在一起，組建成一個神經網絡； io是一個用于讀入各類數據和預處理的輸入模型。

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

2015/08/06 新版caffe-windows上線了，由于vs2012編譯速度太慢，從這個版本開始，不再對vs2012提供支持。 最主要的更新就是CuDNN升級至v3版，此外我還用了一種不太好看的方式生成了caffe主程序的靜態庫，這樣就不用重復編譯好幾次了，如果你知道更好的生成靜態庫的方式

1. net.blobs.items() 存儲了預測圖片的網絡中各層的feature map的數據。 2. net.params.items()存儲了訓練結束后學習好的網絡參數。 3. vis_square函數視覺化data，主要是進行數據歸一化，data轉換為plt可視化的square結構。

最近準備從物體檢測的角度來重新審視文本檢測這個方向，所以看了下CNN大火以后的幾篇經典文獻，OverFeat，RegionCNN，DenseNeuralPattern等等。對這個方向來說，百聞不如一試，趁著其他程序還在跑沒什么事，我安裝了一下RCNN來看看效果