SVD

奇异值分解和特征值分解的一些备注

老板最新给我的任务就是看看k-svd的东西，对于svd其实都学过，概念很简单。由于矩阵分解也就特征值和奇异值这两种所以一起拿来学习了下做个备注和补充1：特征值分解比如AX=lamudaX。
silence1214·2012-11-19 09:00

关于SVD的一些参考文献

[转载]关于SVD的一些参考文献  2011-03-2416:36:46|  分类： 默认分类|字号 订阅来源：何必完美 http://blog.sina.com.cn/s/blog_49b5f5080100q8c0
pi9nc·2012-11-15 21:00

K-SVD

其他资源：http://blog.sina.com.cn/s/blog_a54e5a5201014izi.html
zhang11wu4·2012-11-11 15:00

奇异值分解SVD应用——LSI

潜在语义索引（LatentSemanticIndexing）是一个严重依赖于SVD的算法，本文转载自之前吴军老师《数学之美》和参考文献《机器学习中的数学》汇总。
abcjennifer·2012-10-31 09:00

K-SVD， BM3D等

K-SVD中不理解的；1.K-means怎么过渡到K-SVD方法来训练字典的2.为何用字典进行稀疏表达后就可以用来去噪BM3D：联合滤波-三维变换域是如何处理的
wangkai0681080·2012-10-28 22:00

SVD and LSI Tutorial 1: Understanding SVD and LSI

SVDandLSITutorial1:UnderstandingSVDandLSIAtutorialonSingularValueDecomposition(SVD)andLatentSemanticIndexing
pi9nc·2012-10-22 20:00

强大的矩阵奇异值分解(SVD)及其应用

强大的矩阵奇异值分解(SVD)及其应用版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题
pi9nc·2012-10-22 20:00

奇异值、奇异矩阵、SVD分解、正交矩阵

奇异值：奇异值分解法是线性代数中一种重要的矩阵分解法，在信号处理、统计学等领域有重要应用。定义：设A为m*n阶矩阵，A'表示A的转置矩阵，A'*A的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。如果把A‘*A的特征值记为λi(A‘*A)，则σi(A)＝sqrt(λi(A’*A))。奇异矩阵：   奇异矩阵是线性代数的概念，就是对应的行列式等于0的矩阵。奇异矩阵的判断方法：首先，看这个矩阵是
silence1214·2012-10-17 11:00

cvSolve

constCvArr*src2,CvArr*dst,intmethod=CV_LU);src1输入矩阵src2线性系统的右部dst输出解答method解决方法(矩阵求逆):CV_LU-最佳主元选取的高斯消除法CV_SVD
cvbertie·2012-10-14 17:16

opencv中的cvSVD函数与matlab中的svd函数计算结果相反（奇异值分解问题）

                 昨天要实现一个idea，需要用到opencv中的svd分解。为了对比也采用matlab的svd进行分解。
lsg32·2012-09-29 10:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
wolenski·2012-09-16 16:00

SVD分解的理解

SVD分解（奇异值分解），本应是本科生就掌握的方法，然而却经常被忽视。实际上，SVD分解不但很直观，而且极其有用。SVD分解提供了一种方法将一个矩阵拆分成简单的，并且有意义的几块。
wolenski·2012-09-14 16:00

SVD分解

前面写了个简单的线性代数系列文章，目的就是让大家在接触SVD分解前，先了解回忆一下线性代数的基本知识，有助于大家理解SVD分解。不至于一下被大量的线性代数操作搞晕。这次终于开始正题——SVD的介绍了。
wolenski·2012-09-14 16:00

SVD在推荐系统中的应用

挪到新博客 http://yanyiwu.com/work/2012/09/10/SVD-application-in-recsys.html并且把所需的图片下载到本地服务器以使其显示正常。
wuyanyi·2012-09-10 22:00

Collaborative filtering with GraphChi

到目前为止，已经支持ALS（最小二乘法）、SGD（随机梯度下降）、bias-SGD（带偏置的随机梯度下降）、SVD++、NMF（非负矩阵分解）、SVD（restartedLanczos、onesidedLanczos
lzt1983·2012-08-27 19:00

PCA

如何用SVD去解ＰＣＡ的问题。ＰＣ
xiaoyu714543065·2012-08-08 22:00

获得了EMI Music Recommendation Hackathon冠军

我们音乐预测算法的精度达到了RMSE=13.24598SVD++的implicitfeedbacks这次并没有发挥很大的作用，相反，words里的86列feature有很大的帮助，用在了LogisticRegression
cserchen·2012-07-25 15:00

C++矩阵处理工具——Eigen

首先推荐几个可以在C++中调用的数学平台：eigen、bias、lapack、svd、CMatrix，本文着重eigen做以讲解，希望对各位有所帮助。
Rachel-Zhang·2012-07-24 20:59

C++矩阵处理工具——Eigen

首先推荐几个可以在C++中调用的数学平台：eigen、bias、lapack、svd、CMatrix，本文着重eigen做以讲解，希望对各位有所帮助。
abcjennifer·2012-07-24 20:00

k-nearest neighbor

推荐系统相关算法(1)：SVD 1.SVD简介      假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。
HackerVirus·2012-07-13 20:00

模式识别的应掌握的数学基础

关于模式识别和计算机应用方向,我认为可以选择的主题(仅是己见)1.数学方面1)矩阵的各种分解.比如,LU,QR,Cholesky,SVD,Polar.2)广义逆与子空间3)最小二乘法,特别齐性方程Ax=
njust_qhzt·2012-07-09 14:00

再谈SVD

奇异值分解是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。定义：设A为m*n阶矩阵，AHA的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。如果把AHA的特征值记为λi(A)，则σi(A)＝λi(AHA)^(1/2)。定理:（奇异值分解）设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵V，使得: A=U*S*V’其中S=diag(σi,σ2,……,σr)，σi>0(i=1
chenbang110·2012-05-26 12:00

SVD Recommendataion System

目前推荐系统采用的技术主要是SVD（奇异值分解）。
hero_fantao·2012-05-17 13:00

Dimension reduction：SVD

Singular Value Decomposition (SVD) 降维的目的是为了去除冗余的数据，数据压缩等。大部分的挖掘算法在高维空间上难以达到较好的效果。
zhou85xin·2012-05-09 09:00

MIMO信道的容量

给出本文的链接吧，来自杨老师的博客，把mimo中很重要的一个概念----奇异值分解(SVD)讲解的很形象，很容易理解，注：发现杨老师特别喜欢采用简化与等效的观点来看待问题，大赞！MIMO信道的容量
mike190267481·2012-04-19 20:00

数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(上)

关于本项目下载及运行的常见问题FAQ见newsgroup18828文本分类器、文本聚类器、关联分析频繁模式挖掘算法的Java实现工程下载及运行FAQ)本文要点如下：对newsgroup文档集进行预处理，按照DF法及SVD
yangliuy·2012-04-18 00:00

数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(下)

update2012.12.28关于本项目下载及运行的常见问题FAQ见newsgroup18828文本分类器、文本聚类器、关联分析频繁模式挖掘算法的Java实现工程下载及运行FAQ)本文要点如下：介绍基于LSI(隐性语义索引)中SVD
yangliuy·2012-04-17 16:00

奇异值分解（SVD）详解

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
wangzhiqing3·2012-04-10 17:00

矩阵的奇异值分解（SVD）及其应用

版权声明：本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的
alec1987·2012-03-31 10:00

矩阵分解学习---详细介绍SVD

矩阵分解(decomposition,factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：1)三角分解法
alec1987·2012-03-31 09:00

SVD奇异值分解

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
wangran51·2012-03-29 18:00

SVD奇异值分解

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
vergilwang·2012-03-29 18:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
xiaoding133·2012-03-22 10:00

强大的矩阵奇异值分解(SVD)及其应用（转）-我们老师推荐的

本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象
caiye917015406·2012-03-09 20:00

cvSolve详解

CV_LU和CV_SVD完全不一样。求A*I=c这样的问题，对应Matlab是I=pinv（A）*c，对应的opencv是cvSolve(A,c,I,CV_SVD)。使用CV_LU参数结果天差地别。 
woxincd·2012-02-21 09:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
zjnig711·2012-02-02 15:00

《推荐系统实践》关于Latent Factor Model

LatentFactorModel，很多人称为SVD，其实是比较伪的SVD，一直是最近今年推荐系统研究的热点。
xlvector·2011-12-22 04:00

SVD奇异值分解

http://foreveralbum.yo2.cn/articles/singular-value-decomposition-svd.htmlSVD奇异值分解Postedon2009-08-02bySVD
·2011-12-05 19:00

一篇关于相似性解释的文章，写得非常的仔细

cosine-similarity-tutorial.htmlMiIslitaTutorialsonSVD&LSIHands-onhow-tocalculationsonSingularValueDecomposition(SVD
·2011-12-01 16:00

一篇关于相似性解释的文章，写得非常的仔细

cosine-similarity-tutorial.htmlMiIslitaTutorialsonSVD&LSIHands-onhow-tocalculationsonSingularValueDecomposition(SVD
·2011-12-01 16:00

PLSI( probabilistic latent semantic indexing ) 词分类，文档分类

LSA对于许多搞IR和NLP的来说应该不陌生吧，LSA用SVD降维，然后来根据worddistribution，来分类文档而LSA的劣势在于，没有比较好的统计基础，这个和当前流行趋势是不相符的。
pf1492536·2011-11-16 17:00

机器学习中的数学（5）-强大的矩阵奇异值分解(SVD)及其应用 【zz】

版权声明：本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的
mylover03·2011-11-05 12:14

matlab SVD分解的相关解释·

 使用SVD技术的过程是：（1）对给定集进行奇异值分解，得到奇异矩阵S。（2）将奇异值居矩阵S中最小的几个值置为0，并将U和V中对应的行和列都置为0；（3）得到经过特征缩减的新数据集X'=U*S*V。
yihaizhiyan·2011-10-26 16:00

2.2 运行第一个推荐引擎

你将根据实验，基于单机版的（SVD）初步实现。在下面的章节里，我们将会在Mahout的背景下和一些现实生活中的例子，来回顾上面的观察结果。我们将会考虑如何代表数据，如何进行有效的推荐算法，如何评估推荐
caizhongda·2011-10-19 19:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的
xdyang·2011-10-06 11:33

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
dcraw·2011-10-06 11:00

协同过滤 学习笔记

from=mb-62346329)协同过滤的缺点是热点相关内容往往变成了其他同期出现的热点内容.先划分类别(比如SVD),再计算相关,效果往往更好
·2011-09-25 07:00

AWM换SVD——是采编记者大能？还是罗刹国也有战略忽悠局？

这两天有条军事新闻被众门户网站转帖，也被贴到各大小BBS上，内容大致是俄军要全部淘汰SVD，改用英国AI公司的.338LM口径AWM-F，理由是说SVD射程近、精度差，而AWM-F射程远、精度高等等等等
D Boy Edward·2011-09-21 13:00

SVD奇异值分解

zz:http://foreveralbum.yo2.cn/articles/singular-value-decomposition-svd.htmlPostedon2009-08-02bySVD分解
afgh2587849·2011-09-20 06:34

SVD奇异值分解

zz: http://foreveralbum.yo2.cn/articles/singular-value-decomposition-svd.htmlPostedon 2009-08-02 bySVD
afgh2587849·2011-09-20 06:00
上一页 40 41 42 43 44 45 46 47 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他