Several artificial intelligence projects have sought to hard-code knowledge about the world in formal languages. A computer can reason about statements in these formal languages automatically using logical inference rules. This is known as the knowledge base approach to artificial intelligence. None of these projects has led to a major success. One of the most famous such projects is Cyc (Lenat and Guha,1989). Cyc is an inference engine and a database of statements in a language called CycL. These statements are entered by a staff of human supervisors. It is an unwieldy process. People struggl ...继续阅读 (82)

Ironically, abstract and formal tasks that are among the most difficult mental undertakings for a human being are among the easiest for a computer. Computers have long been able to defeat even the best human chess player, but are only recently matching some of the abilities of average human beings to recognize objects or speech. A person’s everyday life requires an immense amount of knowledge about the world. Much of this knowledge is subjective and intuitive, and therefore difficult to articulate in a formal way. Computers need to capture this same knowledge in order to behave in an intellige ...继续阅读 (73)

Many of the early successes of AI took place in relatively sterile and formal environments and did not require computers to have much knowledge about the world. For example, IBM’s Deep Blue chess-playing system defeated world champion Garry Kasparov in 1997 (Hsu,2002). Chess is of course a very simple world, containing only sixty-four locations and thirty-two pieces that can move in only rigidly circumscribed ways. Devising a successful chess strategy is atremendous accomplishment, but the challenge is not due to the difficulty of describing the set of chess pieces and allowable moves to the c ...继续阅读 (58)

This book is about a solution to these more intuitive problems. This solution is to allow computers to learn from experience and understand the world in terms of a hierarchy of concepts, with each concept defined in terms of its relation to simpler concepts. By gathering knowledge from experience, this approach avoids the need for human operators to formally specify all of the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones. If we draw a graph showing how these concepts are built on top of each ...继续阅读 (78)

In the early days of artificial intelligence, the field rapidly tackled and solved problems that are intellectually difficult for human beings but relatively straightforward for computers—problems that can be described by a list of formal, mathematical rules. The true challenge to artificial intelligence proved to be solving the tasks that are easy for people to perform but hard for people to describe formally—problems that we solve intuitively, that feel automatic, like recognizing spoken words or faces in images. 在人工智能（AI)的早期阶段，很快就解决了人们感觉到工作上很困难的问题和研究学习上感觉到很困难的问题，但是这些困难的问题对于计算机来说都是非常容易的事情，因为 ...继续阅读 (66)

When programmable computers were first conceived, people wondered whether such machines might become intelligent, over a hundred years before one was built (Lovelace,1842). Today, artificial intelligence (AI) is a thriving field with many practical applications and active research topics. We look to intelligent software to automate routine labor, understand speech or images, make diagnoses in medicine and support basic scientific research. 当可编程的计算机被设计出来时，人们怀疑这样的机器是否会拥有智能，其实在计算机被发明的100多年前就已经有人构造一台智能的设备出来了（Lovelace,1842）。今天，人工智能（AI)正是一个十分火热应用的领域和活跃的研究课题。我们正在研究和开发具有人工智能的软件来自动执行日常的工作，进行口语交流或者理解图片 ...继续阅读 (86)

看完上面两个神话故事，真是令人赞叹不已，最后我们来到第三个故事，也就是“赫菲斯托斯”和“潘多拉（Pandora）”的故事，如下：提坦神的儿子普罗米修斯从天上盗火种送给人类，人类学会了使用火，最高统治神宙斯（雷神）十分恼火，为了抵消火给人类带来的巨大好处，宙斯决定要让灾难也降临人间。宙斯（Zeus）首先命令火与锻冶神赫菲斯托斯（Hephaestus），使用水土合成搅混，依女神的形象做出一个可爱的女性；再命令爱与美女神阿佛洛狄忒（Aphrodite）淋上令男人疯狂的香味；智慧与工艺女神雅典娜（Athena）为她打扮，替她穿戴衣服，头戴发带（这条发带是火神赫菲斯托斯的作品）、项配珠链、娇美如新娘；神的使者赫尔墨斯（Hermes）传授她语言的天赋；于是宙斯在这美丽的形象背后注入了恶毒的祸水。汉密斯出主意说：“叫这个女人潘多拉（Pandora）吧，是诸神送给所有人类的礼物。”众神都赞同他的建议。古希腊语中，潘是所有的意思，多拉则是礼物。“潘多拉”即为“拥有一切天赋的女人”。宙斯于是命令赫尔墨斯把她带给普罗米修斯（Prometheus）的弟弟“后觉者”埃庇米修斯（Epimetheus）成为他的妻子。埃庇米修斯完全不同于普罗米修斯，心地纯朴，普罗米修斯劝告他说：“如果宙斯送你任何东西绝不能接受。”可是埃庇米修斯忘记了他的警告，加上潘朵拉的诱惑，立即着迷于美色，忘掉普罗米修斯的提醒。宙斯给潘多拉一 ...继续阅读 (69)

看完了“皮格马利翁”和“伽拉泰亚（Galatea）”的故事，已经很让人感动，接着下来，又来看看“代达罗斯”和“塔罗斯（Talos）”的传奇故事：艺术家代达罗斯是位建筑师和雕刻家。人们说他的雕像是具有灵魂的创造物，从前的大师创作石像时，都让石像闭上眼睛，双手连着身体，无力地垂落下来。而他第一个让雕刻的人像张开眼睛，往前伸出双手，并迈开双腿好像走路一样。代达罗斯有个儿子名叫伊卡洛斯。代达罗斯的外甥塔洛斯向他学艺。天分比代达罗斯高，并立志作出更大的成就。在儿童时代，塔洛斯就发明了陶工旋盘、锯子、圆规等巧妙的工具。代达罗斯担心塔洛斯会超过他，因为嫉妒，残酷地杀害了塔洛斯。代达罗斯被雅典最高法院判为有罪。在克里特岛成为国王米诺斯的朋友，作为艺术家受到尊敬。代达罗斯受命米诺斯建造一座路线设计非常巧妙的迷宫，用来关住米诺斯牛头人身的儿子米诺陶。米诺斯担心迷宫的秘密走漏，下令将代达罗斯和伊卡洛斯关进迷宫里高高的塔楼，以防止他们逃脱。代达罗斯设法回乡。米诺斯封住了陆上和水上去路，但还有天空。代达罗斯开始收集羽毛，用麻绳捆在一起，用腊封牢，制造了类似翅膀的东西。父子二人从石塔飞翔逃出。伊卡洛斯因初次飞行的喜悦感受，越飞越高，因太接近太阳而使蜡翼融化，坠海身亡。代达罗斯目睹此景，悲伤地飞回家乡，将蜡翼悬挂在奥林帕斯山的阿波罗神殿，从此不再想飞翔。不过，据传用青铜为克里特岛国王迈诺斯塑造了一个守卫宝岛的青 ...继续阅读 (73)

第1章 介绍Inventors have long dreamed of creating machines that think. This desire dates back to at least the time of ancient Greece. The mythical figures Pygmalion, Daedalus, and Hephaestus may all be interpreted as legendary inventors, and Galatea, Talos, and Pandora may all be regarded as artificial life (Ovid and Martin, 2004;Sparkes,1996;Tandy,1997). 发明家在很久很久以前，就梦想发明一些能思考的机器，这个时间至少可以追溯到古希腊时期，在那个神话的时代里，皮格马利翁、代达罗斯和赫菲斯托斯都被称为那个时代的伟大发明家，由他们创造的人工生命：伽拉泰亚（Galatea）、塔罗斯（Talos）和潘多拉（Pandora），都充满了无限智慧，广泛流传至今。 在《深度学习》的第一章第一段里，提到几个古希腊的神话传说，让我这种对国外文化缺少的人，真是看不懂这些是什么意思。只好挑灯夜战，让度娘当我的老师，让GOOOGLE做我的左膀右臂，擦亮眼镜，打起精神 ...继续阅读 (68)

先来看一下API的说明：tf.nn.max_pool(value, ksize, strides, padding, data_format='NHWC', name=None)Performs the max pooling on the input.Args:value: A 4-D Tensor with shape [batch, height, width, channels] and type tf.float32.ksize: A list of ints that has length >= 4. The size of the window for each dimension of the input tensor.strides: A list of ints that has length >= 4. The stride of the sliding window for each dimension of the input tensor.padding: A string, either 'VALID' or 'SAME'. The padding algorithm. See the comment heredata_format: A string. 'NHWC' and 'NCHW' are supported.name: Optional na ...继续阅读 (70)

pygame.surfarray.array3d()Copy pixels into a 3d arrayarray3d(Surface) -> arrayCopy the pixels from a Surface into a 3D array. The bit depth of the surface will control the size of the integer values, and will work for any type of pixel format.This function will temporarily lock the Surface as pixels are copied (see the pygame.Surface.lock()lock the Surface memory for pixel access - lock the Surface memory for pixel access method).本函数主要锁住表面，然后把像素拷贝到一个三维数组，数组表示为：RGB的颜色整数值。例子：image_data = pygame.surfarray.array3d(pygame.display.get_surface()) pygame.display.update() FPSCLOCK.tick( ...继续阅读 (73)

这是 python 2 的概念，显然 python 3 对于 python2 就是 future了该句必须放在文件的头部Python编程语言中有很多比较有用的模块，这些模块在实际使用中可以帮助我们轻松的完成许多功能需求。我们今天将会在这里通过对Python future模块的了解，来对这方面的知识做一个详细的了解。今天在学习Python的时候，发现一句语法from __future__ import division，很奇怪__future__这个名字，网上搜了一下，原来是很有用的一个模块。详细说明见这里。按照官方的解释，至少确保在2.1之前版本的Python可以正常运行一些新的语言特性，需要使用语句 'from __future__ import *'。举例来说：# Enable nested scopes in Python 2.1 from __future__ import nested_scopes 如果使用这个语句，则该语句必须是模块或程序的第一个语句。此外，'__ future__' 模块中存在的特性最终将成为Python语言标准的一部分。到那时，将不再需要使用Python future模块。Python future模块的更多示例：1. Python 2.6中也有一个 __future__ import 使得所有的字符串文本成为Unicode字符串。这就意味着\u ...继续阅读 (58)

像素高于阈值时，给像素赋予新值，否则，赋予另外一种颜色。函数是cv2.threshold() cv2.threshold(src,thresh,maxval,type[,dst])->retval,dst 作用：用于获取二元值的灰度图像 thresh:阈值，maxval:在二元阈值THRESH_BINARY和逆二元阈值THRESH_BINARY_INV中使用的最大值 返回值retval其实就是阈值 type:使用的阈值类型 例子：#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # import cv2 import matplotlib.pyplot as plt img = cv2.imread('test1.jpg',0) #直接读为灰度图像 #二值化 ret,thresh1 = cv2.threshold(img,1,255,cv2.THRESH_BINARY) ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV) ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC) ret,thresh4 = cv2.threshold(img,127,255,cv ...继续阅读 (82)

下面的例子，用来学习TF里的卷积。#python 3.5.3 蔡军生 #http://edu.csdn.net/course/detail/2592 # from __future__ import print_function import tensorflow as tf import random import numpy as np from collections import deque #创建权重值变量 def weight_variable(shape): #从正态分布截取一段创建随机张量 initial = tf.truncated_normal(shape, stddev = 0.01) return tf.Variable(initial) #计算卷积 def conv2d(x, W, stride): return tf.nn.conv2d(x, W, strides = [1, stride, stride, 1], padding = "SAME") W_conv1 = weight_variable([8, 8, 4, 32]) input = tf.Variable(tf.random_normal([1, 80,80, 4])) op = conv2d(input, W_conv1, ...继续阅读 (58)

贝尔曼方程（Bellman Equation）也被称作动态规划方程（Dynamic Programming Equation），由理查·贝尔曼（Richard Bellman）发现，由于其中运用了变分法思想，又被称之为现代变分法。贝尔曼方程（Bellman Equation） 也被称作动态规划方程（Dynamic Programming Equation），由理查·贝尔曼（Richard Bellman）发现。贝尔曼方程是动态规划（Dynamic Programming）这些种数学最佳化方法能够达到最佳化的必要条件。此方程把“决策问题在特定时间怎么的值”以“来自初始选择的报酬比从初始选择衍生的决策问题的值”的形式表示。借此这个方式把动态最佳化问题变成开简单的子问题，而这些子问题遵守从贝尔曼所提出来的“最佳化还原理”。贝尔曼方程最早应用在工程领域的控制理论和其他应用数学领域，而后成为经济学上的重要工具。几乎所有的可以用最佳控制理论（Optimal Control Theory）解决的问题也可以通过分析合适的贝尔曼方程得到解决。然而，贝尔曼方程通常指离散时间（discrete-time）最佳化问题的动态规划方程。处理连续时间（continuous-time）最佳化问题上，也有类似那些偏微分方程，称作汉密尔顿-雅克比-贝尔曼方程（Hamilton–Jacobi–Bellman Equa ...继续阅读 (64)

先来看百度百科的解释：OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。该库也有大量的Python, Java and MATLAB/OCTAVE (版本2.5)的接口。这些语言的API接口函数可以通过在线文档获得。如今也提供对于C#,Ch, Ruby的支持。所有新的开发和算法都是用C++接口。一个使用CUDA的GPU接口也于2010年9月开始实现。OpenCV于1999年由Intel建立，如今由Willow Garage提供支持。OpenCV是一个基于BSD许可[1] （开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。[2] 最 ...继续阅读 (65)

在编写TF程序里，经常会有一些待输入的参数，但是在建立模型时，需要使用到它，那么就需要使用占用符的方式来写入计算公式里，也就是建立到模型里的关系。下面就是一个使用占位符的例子：#python 3.5.3 #2017-03-13 蔡军生 http://blog.csdn.net/caimouse # import tensorflow as tf import numpy as np x = tf.placeholder(tf.float32, shape=(1024, 1024)) y = tf.matmul(x, x) with tf.Session() as sess: rand_array = np.random.rand(1024, 1024) print(sess.run(y, feed_dict={x: rand_array})) # Will succeed.输出结果如下：======== RESTART: D:/work/csdn/tensorflow/line/TF_1.0_placeholder1.py ========[[ 250.13143921 259.39517212 253.62782288 ..., 259.89556885 252.14181519 248.71147156] [ 259.016 ...继续阅读 (72)

GOOGLE的迪恩(Jeff Dean)说开发并且开源TensorFlow是有三个目标：建立一个通用的机器学习平台，让它成为世界上最好的平台，然后再把它开放给所有人。TensorFlow 是 Google 的一套综合性的机器学习系统框架，开源之前是仅供该公司内部使用，从搜索排名到应用商城推荐，从 Gmail 反垃圾到 Android 系统，被几乎所有产品团队所采用。迪恩透露，Google 内部有超过 4000 个项目里能找到 TensorFlow 的配置文件。它的开发者是 Google 内部最早系统性地研究人工智能技术的团队——Google 大脑。TensorFlow 已经是 Google 的第二代机器学习工具，前身是 DistBelief。TensorFlow真正是在一个台风口上，是猪都可以吹到天上，如下图：文章里提到星星，如下图：从github上可以看到代码更新是非常快的，很快这个开源的人工智能库，又成为事实上的标准了。其实值得我们反思的是，为什么我们没有一个成功开源项目？或者说占领标准的条件呢？1. TensorFlow入门基本教程http://edu.csdn.net/course/detail/43692. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33243.跟老菜鸟学C++http://edu.csdn.net/ ...继续阅读 (65)

从GOOGLE近来公布的视频来看，视频识别还是蛮高的。举个例子，如果用在公司打卡上，就非常方便，只要从门口走进来，视频摄像头对准录一下，就可以实现打卡了，无接触，无停留。如下图这样识别：云视频智能应用程序接口使用强大的深度学习模型，基于TensorFlow等架构进行开发，适用于YouTube等大规模媒体平台。这款API也是首款此类的API，通过在视频内容中提供有关实体存在物（例如狗、花、人等名词，以及跑、游泳、飞行等动词）的信息，让开发者能够轻松搜索和发现视频内容。当这些存在物出现时，这款API甚至可以提供语境理解。举例来说，搜索“老虎”将会找出谷歌云存储中收集视频所有包括老虎的精确镜头。http://mt.sohu.com/it/d20170309/128381911_465914.shtml1. TensorFlow入门基本教程http://edu.csdn.net/course/detail/43692. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33243.跟老菜鸟学C++http://edu.csdn.net/course/detail/29014. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25925. 在VC2015里学会使用tinyxml库http://edu.c ...继续阅读 (61)

运行一个程序时提示出错如下：Traceback (most recent call last): File "/MNIST/softmax.py", line 12, incross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!! File "C:\python35\lib\site-packages\tensorflow\python\ops\nn_ops.py", line 1578, in softmax_cross_entropy_with_logits labels, logits) File "C:\python35\lib\site-packages\tensorflow\python\ops\nn_ops.py", line 1533, in _ensure_xent_args "named arguments (labels=..., logits=..., ...)" % name)ValueError: Only call `softmax_cross_entropy_with_logits` with named arguments (labels=..., logits=... ...继续阅读 (75)

visual studio 2017开始发布了，赶紧来体验一下新开发环境。来到网页下载：试用社区版本，下载的文件如下：接着下来就是安装了：安装完成，体验一下C++开发：新的VS带有很多游戏开发，还有ANDROID开发，还有IOS开发，还可以LINUX开发，包括太多开发了。 ...继续阅读 (82)

如果对矩阵的知识有点遗忘，有点陌生，有点想不起来，请先看看这个网页：http://blog.csdn.net/caimouse/article/details/55001181基础知识已经补过了，就直接来使用TF的矩阵乘法了。tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)对矩阵a和矩阵b进行乘法，也就是a * b。两个参数输入必须是矩阵形式（张量的行列大于2），符合矩阵乘法的前后矩阵行列形式，包括转置之后。两个矩阵必须具有相同的数据类型，支持的数据类型：float16, float32, float64, int32, complex64, complex128。也可以通过参数 transpose_a或transpose_b来设置矩阵在乘法之前进行转置，这时这些标志位应该设置为True，默认是False。如果知道某一个矩阵有比较多0元素存在，也就是说存在稀疏矩阵，这时候可以通过设置参数a_is_sparse 或 b_is_sparse标志为True，这样可以大大优化矩阵的乘法计算。但张量的形式必须为2，数据类型为 float16 or float32。例子:# ...继续阅读 (80)

可以从下图看到，Python语言在机器学习已经占据了主流开发位置：当时还有很多人问我，为什么要学习Python语言，从上图就作出了最好的回答，无论从数值处理，还是科学计算，还是机器学习方面都十分完善，还有大数据的爬虫方面也十 分令人满意，因此选择Python来开发是绝佳的配合。1. TensorFlow入门基本教程http://edu.csdn.net/course/detail/43692. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33243.跟老菜鸟学C++http://edu.csdn.net/course/detail/29014. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25925. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25906. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/25797.Visual Studio 2015开发C++程序的基本使用 http://edu.csdn.net/course/detail/25708.在VC2015里使用protobuf协议http://edu.csdn.net/course/deta ...继续阅读 (79)

从李飞飞的演讲中，应该可以看到这两张图：从这张图里可看到，计算力、海量数据、算法和人才是人工智能的四大支柱。从这张图里，可以看到人工智能的应用场合，已经成熟的市场：视觉、语音、找工作、翻译、自然语言、视频。1. TensorFlow入门基本教程http://edu.csdn.net/course/detail/43692. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33243.跟老菜鸟学C++http://edu.csdn.net/course/detail/29014. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25925. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25906. 在Windows下SVN的版本管理与实战 http://edu.csdn.net/course/detail/25797.Visual Studio 2015开发C++程序的基本使用 http://edu.csdn.net/course/detail/25708.在VC2015里使用protobuf协议http://edu.csdn.net/course/detail/25829.在VC2015里学会使用MySQL数据库http:// ...继续阅读 (68)

一副数字图像可以看作一个二维空间的离散函数可以表示为f(x, y), 假设有对于二维卷积操作函数C(u, v) ，则会产生输出图像g(x, y) = f(x, y) *C(u,v), 利用卷积可以实现对图像模糊处理，边缘检测，产生轧花效果的图像。一个简单的数字图像卷积处理流程可以如下：1. 读取源图像像素2. 应用卷积操作数矩阵产生目标图像3. 对目标图像进行归一化处理4. 处理边界像素例子：#python 3.5.3 #2017-03-09 蔡军生 http://blog.csdn.net/caimouse # import cv2 import numpy as np #读取图片并显示 image = cv2.imread('./me21.jpg'); cv2.imshow('image', image) #构造卷积核 kernel = np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]) #卷积计算 dst = cv2.filter2D(image, -1, kernel); #显示计算之后的图片 cv2.imshow('dst', dst) #保存图片 cv2.imwrite('./me22.jpg', dst)结果比较如下：1. TensorFlow入门基本教程http://e ...继续阅读 (64)

在泛函分析中，卷积、旋积或摺积（英语：Convolution）是通过两个函数f和g生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠部分的面积。如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是“滑动平均”的推广。卷积公式：相关运算过程：离散卷积是两个离散序列和之间按照一定的规则将它们的有关序列值分别两两相乘再相加的一种特殊的运算。在工程上离散卷积有着广泛的应用。例如为了将数字信号进行滤波，可以将表示成离散序列的该信号x（n）与数字滤波器的冲激响应h（n）进行卷积。numpy.convolve(a, v, mode='full')Returns the discrete, linear convolution of two one-dimensional sequences.The convolution operator is often seen in signal processing, where it models the effect of a linear time-invariant system on a signal [R17]. In probability theory, the sum of two independent random variables is distributed according to the convo ...继续阅读 (61)

MNIST数据集的文件格式本数据集采用非常简单的方式来保存，就像数组和多维矩阵一样储存。本数据集的文件里按整数保存的数字，都是按MSB优先的方式保存，也叫大端模式，也可以叫做非INTEL处理器的保存格式，因为INTEL的CPU是采用小端模式保存数据，因此在INTEL的CPU平台里读取，需要自行调换字节的顺序，才可以正确地读取它的整数。主要包括下面四个文件：train-images-idx3-ubyte: 训练集合 图片数据train-labels-idx1-ubyte: 训练集合 标签数据t10k-images-idx3-ubyte: 测试集合 图片数据t10k-labels-idx1-ubyte: 测试集合 标签数据训练集合包含了60000个例子，测试集合包含了10000个例了，测试集合的前5000个是取自NIST的训练集合，最后5000个是取自NIST的测试集合，前5000个比较清楚，后面5000个比较模糊。训练集合的标签文件格式(train-labels-idx1-ubyte):[偏移] [数据类型] [值] [描述] 0000 32位整数 0x00000801(2049) 魔数ID (MSB优先，大端模式) 0004 32位整数 60000 后面共有多少项标 ...继续阅读 (68)

The MNIST database (Mixed National Institute of Standards and Technology database) is a large database of handwritten digits that is commonly used for training various image processing systems.[1][2] The database is also widely used for training and testing in the field of machine learning.[3][4] It was created by "re-mixing" the samples from NIST's original datasets. The creators felt that since NIST's training dataset was taken from American Census Bureau employees, while the testing dataset was taken from American high school students, it was not well-suited for machine learning experiments ...继续阅读 (87)

多元统计分析涉及到的都是随机向量或多个随机向量放在一起组成的随机矩阵，在介绍正态分布之前，先论述有关随机向量的基本概念。为了便于理解概念和性质，借助复习一元统计分析中有关概念和性质，自然推广给出多元统计分析中相应的概念和性质。In probability theory and statistics, themultivariate normal distributionormultivariate Gaussian distribution, is a generalization of the one-dimensional (univariate) normal distribution to higher dimensions. One possible definition is that a random vector is said to be k-variate normally distributed if every linear combination of its k components has a univariate normal distribution. Its importance derives mainly from the multivariate central limit theorem. The multivariate normal ...继续阅读 (63)

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。是在被建模的系统被认为是一个马尔可夫过程与未观测到的（隐藏的）的状态的统计马尔可夫模型。http://bluewhale.cc/2016-06-02/hidden-markov-model-1.htmlhttp://blog.sciencenet.cn/blog-641976-533895.htmlhttp://blog.csdn.net/likelet/article/details/7056068http://www.cnblogs.com/skyme/p/4651331.html1. C++标准模板库从入门到精通 http://edu.csdn.net/course/detail/33242.跟老菜鸟学C++http://edu.csdn.net/course/detail/29013. 跟老菜鸟学pythonhttp://edu.csdn.net/course/detail/25924. 在VC2015里学会使用tinyxml库http://edu.csdn.net/course/detail/25905. 在Windows下SVN的版本管理与实战 http: ...继续阅读 (59)