小花的學習日誌

http://www.books.com.tw/exep/prod/booksfile.php?item=0010527017

「人是被習慣所塑造的，優異的結果來自良好的習慣，而非一時的行動」——亞里斯多德

一、前傳:

我們在決定分類的時候依據gi(x) = logP(Ci|x)或是P(Ci|x)來決策，其中X是新進來欲分類的資料，Ci則是現有資料的特徵，所以也可以把P(Ci|x)翻譯成:新進來的資料X屬於特徵Ci的機率。
則右圖為分類的取法  

先來看維基的解釋:破窗效應（英語：Broken windows theory）是犯罪學的一個理論，該理論由詹姆士·威爾遜（James Q. Wilson）及喬治·凱林（George L. Kelling）提出，並刊於《The Atlantic Monthly》1982年3月版的一篇題為《Broken Windows》的文章^[1]。此理論認為環境中的不良現象如果被放任存在，會誘使人們仿傚，甚至變本加厲。

實驗:美國斯坦福大學心理學家菲利普·辛巴杜(Philip Zimbardo)於1969年進行了一項實驗，他找來兩輛一模一樣的汽車，把其中的一輛停在加州帕洛阿爾托的中產階級社區，而另一輛停在相對雜亂的紐約布朗克斯區。停在布朗克斯的那輛，他把車牌摘掉，把頂棚打開，結果當天就被偷走了。而放在帕洛阿爾托的那一輛，一個星期也無人理睬。後來，辛巴杜用錘子把那輛車的玻璃敲了個大洞。結果呢，僅僅過了幾個小時，它就不見了。以這項實驗為基礎，政治學家威爾遜和犯罪學家凱琳提出了一個“破窗效應”理論，認為：如果有人打壞了一幢建築物的窗戶玻璃，而這扇窗戶又得不到及時的維修，別人就可能受到某些示範性的縱容去打爛更多的窗戶。久而久之，這些破窗戶就給人造成一種無序的感覺，結果在這種公眾麻木不仁的氛圍中，犯罪就會滋生、繁榮。

Machine learning---Raymond J. Mooney

『機器學習』是一個新興且很有潛力的領域，它結合了統計、數學與資訊科學等學門。廣義來說，機器學習研究如何讓電腦具有學習的能力，從以往的經驗、資料中學習到知識，以增進電腦本身的效能，因此機器學習也可解釋為利用資料來建立一些模擬真實世界的模式（Model），利用這些模式來描述資料中的特徵（Patterns）以及關係（Relations）。這些模式有兩種用處，第一，瞭解資料的特徵與關係可以提供你做決策所需要的資訊。第二，資料的特徵可以幫助你做預測。

機器學習是一個重要的研究領域，在近幾年也有許多成功的應用。所發展的方法已被應用於消費者行為分析，聲音或影像識別，乃至於生物資訊等新興產業。

本章主要目的在介紹機器學習的基本概念、各種技術及演算法。如decision-tree、induction、Rule Induction、Instance-based、categorization等方法以及相關在自然語言處理上的應用，如：Part-of-speech tagging、Word-sense disambiguation、Information extraction、Anaphora resolution等。

轉自http://blog.yam.com/twinscats/article/2860211慵懶貓西洋瘋

Fighter--Christina Aguilera
「After all you put me through
經過這一切

直方圖均化:
 1.直方圖在影像處理裡面是把一張圖裡面各個顏色佔的個數或比例顯現成一張分布圖

圖一:上面那三張的直方圖都集中在某個範圍,這樣容易偏亮偏暗對比度低,而最下面那張平均分布的直方圖則是對比度比較佳的

註:y軸為灰階出現機率或是個數,x軸為灰階值

最近學習到PCA,整理一下重點(如果有誤或侵權請提出)

壹、目標:

1.降階:影像處理裡面有多組資料,多個座標軸,我們希望以較少的資料(座標軸)來代表其資訊。

ex.有400個samples 70*70的灰階人臉，就有4900維度，我們需要截取少數特徵值明顯的來代表就好

2.獨立性:為了讓資料間沒有相關性(correlation)，也就是讓covariance正交化，使得共變異數左下角和右上角都為零，這樣可以達到資料的獨立性，如果降階時資料有相關性那把其中的軸拿掉時座標點無法單獨被定義。

最近學習到學習理論的建構(如果有誤歡迎討論):

行為主義:(behaviorism)

網站出自於CNN travel:http://us.cnn.com/2012/02/14/travel/solo-travel-benefits/index.html?hpt=tr_t3

獨自旅行的五個樂趣: