发简信
IP属地：重庆
-
2020-05-29
1. 频谱识别阶段 在80年代以前，无线传输的信号还非常少，干扰也少，计算机技术还刚起步，彼时的信号识别方式主要有两种，一种是通过示波器观察时域波形，另一种是利用频谱仪或接收...
-
很好。
文艺地解读贝叶斯定理
了解点条件概率和先验概率的知识，别被小概率事情绑架了。 小李年方二八，身强力壮。参加单位组织的体检时，被检出 HIV 呈阳性。这惊雷轰得小李不省人事：自己明明生活检点，从没做...
-
不错，点赞。
Numpy之线性代数
矩阵 1. 矩阵初始化 Numpy函数库中存在两种不同的数据类型（矩阵matrix和数组array），都可以用于处理行列表示的数字元素，虽然他们看起来很相似，但是在这两个数据...
-
微信公众号：测绘数据分析<br>个人csdn：<a href="https://links.jianshu.com/go?to=https%3A%2F%2Fblog.csdn.net%2Fqq_28368377" target="_blank">https://blog.csdn.net/qq_28368377</a><br>简书主页：<a href="https://www.jianshu.com/u/4e7b57e15770" target="_blank">https://www.jianshu.com/u/4e7b57e15770</a>
-
继续加油，希望看到生活中的应用。
2020 机器学习之Kmeans
K-means k-means 是一种搜寻中心的无监督的算法。K-means 是一种迭代的不确定方法，所谓迭代，是指算法的步骤不断重复产生的每个簇都可以用以下的指标来进行评估...
-
太专业了，能结合生活中的例子就更好了。
最大似然估计和EM算法
Maximum Likelihood Estimate and Expectation Maximization Algorithm 一、最大似然估计思想： 设有外形完全相同...
-
-
首先，无论是哪方面的程序员，都要大量的投资算法和数据结构。因为这是你的基本技能，就像棋手需要知道每个棋子的走法一样。在算法学习的过程中，你绕不过的就是衡量算法的效率，也就不可避免的学习Big O的知识。Big O，需要你了解函数和极限的一些知识，比如说，f(n) = O(g(n))是这样定义的，当n足够大的时候，你总可以找到一个常数c，使得c * f(n) >g(n)。除了效率，还有如何证明算法的正确性。这就要求掌握一些证明方法，比如反正法，递推归纳法。 其次，如果你遇到了性能方面的问题，需要降低延迟，增加吞吐的时候，你很有可能需要去设计高性能的队列系统，这时排队论的知识就显得尤为重要了。排队论要学好，概率论是基石。队列在计算机系统中随处可见，操作系统中的进程调度问题，基于队列解藕生产者消费者的架构问题等等。 接下来如果你对离散优化问题感兴趣，如说背包问题，旅行者问题，当你需要优化一个目标函数的时候，你往往会用到梯度下降法，而理解梯度下降法，对微积分要有很好的理解。更不用说在人工智能，机器学习领域，到处都得优化目标函数，降低预测误差，想走的远，是必须要有数学基础的。 然后再说一下，线性代数，特别是在人工智能里面，很多基本的模型都是线性的，你会随处看到矩阵的用处，单纯的只知道矩阵如何相乘是远远不够的，要理解的跟深入，矩阵是一个函数，用来转换矢量，既然是函数，就会具有很多函数的特点。 分布式系统中的鼻祖级论文，Lamport的时间，时钟，和事件的顺序，据他所说是他从相对论中的时间和空间的关系中得到的灵感。由此可见，不仅是数学，物理也很重要。
-
兄台这个够专业，希望经常看到你的新作。
基于SVM的脑电信号识别
时常我们能看到科幻中读取他人意念的场景，让人感觉很玄幻。那么现代科技真的可以做到这一点么？答案是在特定情况下可以以一个比较高的准确率识别人的想法。别担心，不是大街上随随便便注...
