Angular-Ui 对于 AngularJS 开发者来说是一个非常重要的工具，其中 UI-Router 又是重中之重。UI-Router 插件提供了“嵌套作用域等规则”等有用的特性，对于复杂项目开发非常实用，最近在项目中开始使用 UI-Router ，于是决定好好把它学习一遍，这些文章都来源于 UI-Router 的 github，下面是这次学习内容
学习 ui-router - 管理状态
学习 ui-router - 状态嵌套和视图嵌套
学习 ui-router - 多个命名的视图
学习 ui-router - 路由控制
学习 ui-router - 组件
more
继续阅读 »
Angular-Ui 对于 AngularJS 开发者来说是一个非常重要的工具，其中 UI-Router 又是重中之重。UI-Router 插件提供了“嵌套作用域等规则”等有用的特性，对于复杂项目开发非常实用，最近在项目中开始使用 UI-Router ，于是决定好好把它学习一遍，这些文章都来源于 UI-Router 的 github，由于能力有限，有些地方没有看懂，另外还有一些地方只能意译出来，希望大家在参观的过程中指出其中的错误。
学习 ui-router - 管理状态
学习 ui-router - 状态嵌套和视图嵌套
学习 ui-router - 多个命名的视图
学习 ui-router - 路由控制
学习 ui-router
继续阅读 »
1. 模型选择
对于一组数据集，可能会选择不同的模型。例如：
$$
\begin{array}{}
h_\theta(x)=\theta_0+\theta_1x \
h_\theta(x)=\theta_0+\theta_1x+\theta_2x^2 \
h_\theta(x)=\theta_0+\theta_1x+...+\theta_3x^3 \
h_\theta(x)=\theta_0+\theta_1x+...+\theta_{10}x^{10} \
\end{array}
$$
继续阅读 »
将概率统计联系到机器学习上
表4-1 机器学习与统计中的对比
罐子小球
机器学习
未知的橙色小球比例
某一确定的假设在整个X输入空间中，输入向量x满足条件 的占整个输入空间的比例
抽取的小球∈整个罐子中的小球
训练输入样本集 整个数据集X
橙色小球
假设h作用于此输入向量x与给定的输出不相等
绿色小球
假设h作用于此输入向量x与给定的输出相等
小球样本是从罐子中独立随机抽取的
输入样本x是从整个数据集D中独立随机选择的
该表来自博客园.杜少
继续阅读 »
刚开始学习go语言的时候，看代码中某个类型实现了Error()方法，然后就可以将该类型赋值给error类型。当时还没学习接口，不懂为什么可以这样赋值。学习接口以后，才明白怎么回事。查看go源码，发现内置类型error其实是一个接口类型，并实现了Error()方法，如下：
继续阅读 »
1. 写在前面
最近一直在学习spark，延伸到学习IPython，发现IPython这东西还真是不一般啊，所以决定还是应该坐下了认真学习一下。下面都是我在官网上学习时的笔记了。
2. 前言
IPython provides a rich architecture for interactive computing with:
继续阅读 »
补救措施（使机器学习成为可能）
我们通过上一节课，知道无法精确的通过已知样本来求得适合所有样本集的g。回想曾经学过的概率统计知识，即使我们不能够得到总体情况，但是依然可以通过抽样来“近似”得到总体大致的情况。
现在有一个很大的盒子，里面充满了很多很多的橘色和绿色的弹珠。
继续阅读 »
文/Robin
本站推广
币安是全球领先的数字货币交易平台，提供比特币、以太坊、BNB 以及 USDT 交易。
币安注册: https://accounts.binancezh.pro/cn/register/?ref=11190872
邀请码: 11190872
【问题描述】
大家好，本人今年大4，自学oracle3年了，目前在实习，但是oracle的学习上一直感觉进步很慢，希望圈内前辈们指点一下？
有的时候真的很累，都不知道自己活着到底是为了什么？大学很差4流本科，非计算机专业，自知没有天资，只能靠拼命努力，所以从大一到大三，我一直全身心的在学习oracle，除了白天要上学校的的课外，平时就一直窝在图书馆学习orac
继续阅读 »
1. 机器学习是不可能的
我们先来看一个简单的二分问题:
if :
继续阅读 »
最近开始阅读《解析深度学习：语音识别实践》，将会把文中的一些总结放到这里和大家分享。今天的这篇文章主要介绍语音识别的基本结构。
下图中展示的是语音识别系统的典型结构，语音识别系统主要由图中的四部分组成：信号处理和特征提取、声学模型（AM）、语言模型（LM）和解码搜索部分。
信号处理和特征提取部分以音频信号为输入，通过消除噪声和信道失真对语音进行增强，将信号从时域转化到频域，并为后面的声学模型提取合适的有代表性的特征向量。声学模型将声学和发音学（phonetics）的知识进行整合，以特征提取部分生成的特征为输入，并为可变长特征序列生成声学模型分数。语言模型估计通过从训练语料（通常是文本形式）学习词之间的相互关系，来估计假设词序
继续阅读 »