principal

微软职位内部推荐-Principal Software Eng Mgr

微软近期Open的职位: Job Title:   Principal Software Eng Mgr Work Location: Shanghai, China Job Description
·2014-12-25 13:00

PCA主成分分析(Principal Component Analysis)

PCA是基本的线性降维方法，同时也是一种监督学习降维方法。PCA是希望降维之后，尽量保留原始数据的方差结构，所以我们需要投影方向a使得投影之后数据的方差最大化。1.求解PCA是通过求解协方差矩阵的特征向量作为投影方向，如果我们要把原始数据降维到k维，把协方差矩阵前k大的特征值所对应的特征向量作为投影方向，证明见PPT。步骤：1.假设有m个d为数据，把这些数据用矩阵的形式表示X=（x1,x2,…,x
Danieljf24·2014-12-25 10:58

PCA主成分分析(Principal Component Analysis)

PCA是基本的线性降维方法，同时也是一种监督学习降维方法。PCA是希望降维之后，尽量保留原始数据的方差结构，所以我们需要投影方向a使得投影之后数据的方差最大化。1.求解PCA是通过求解协方差矩阵的特征向量作为投影方向，如果我们要把原始数据降维到k维，把协方差矩阵前k大的特征值所对应的特征向量作为投影方向，证明见PPT。 步骤：1.      假设有m个d为数据，把这些数据用矩阵的形式表示X=（x1
Daniel_djf·2014-12-25 10:00

微软职位内部推荐-Principal Group Program Manager

微软近期Open的职位: Standard job title: Principal Group Program Manager Discipline: Program Management Product
·2014-12-18 11:00

Flask-Login

它能做到的：存储在会话中的活跃用户，让你很轻松的登入登出可以让你限制未登陆的用户访问某些页面处理“记住我”的功能帮你保护你的会话cookie不被小偷偷走很轻松的集成到Flask-Principal或其他授权扩展它不会做的
longfirst·2014-12-12 17:00

前端_JQuery一些小应用笔记

）functioncheckedThis(obj){varobj=$(obj);if(obj.attr("checked")){varsel=document.getElementById("pro_principal
Mr.echo·2014-11-25 17:00

request 参数获取

packagecom.jie.request.servlet; importjava.io.IOException; importjava.io.InputStream; importjava.security.Principal
xiao99·2014-11-25 12:00

Principal components analysis(PCA):主元分析

在因子分析(Factoranalysis)中，介绍了一种降维概率模型，用EM算法（EM算法原理详解）估计参数。在这里讨论另外一种降维方法：主元分析法(PCA)，这种算法更加直接，只需要进行特征向量的计算，不需要用到EM算法。假设数据集表示m个不同类型汽车的属性，比如最大速度，转弯半径等等.对于任意一辆汽车，假设第i个属性和第j个属性xi和xj分别以米/小时和千米/小时来表示汽车的最大速度，那么很显
90Zeng·2014-11-22 15:00

mybatis基于Interceptor开发审计的自动更新（创建用户，创建日期，更新用户，更新日期）

首先创建四个注解/**  * Declares a field as the one representing the principal that created the entity containing
StateGrace·2014-11-21 17:00

java中System.Properties的用法

System.setProperty("net.jxta.tls.principal","client");System.setProperty("net.jxta.tls.password","password
hong0220·2014-11-16 10:00

基于kerberos实现jaas登录

前提条件1.kerberos已经安装，principal已经创建，这里用的principal是已经建好的nn/[email protected];2.客户端配置了kerberos；3.在JDK_HOME\jre
彭苏云·2014-10-27 15:00

[置顶] 解释一下核主成分分析(Kernel Principal Component Analysis, KPCA)的公式推导过程~

KPCA，中文名称”核主成分分析“，是对PCA算法的非线性扩展，言外之意，PCA是线性的，其对于非线性数据往往显得无能为力，例如，不同人之间的人脸图像，肯定存在非线性关系，自己做的基于ORL数据集的实验，PCA能够达到的识别率只有88%，而同样是无监督学习的KPCA算法，能够轻松的达到93%左右的识别率（虽然这二者的主要目的是降维，而不是分类，但也可以用于分类），这其中很大一部分原因是，KPCA能
wsj998689aa·2014-10-23 15:00

sql server sys.object表字段说明

principal_idint如果不是架构所有者，则为单个所有者的ID。 默认情况下，架构包含的对象由架构所有者拥有。 
看看我的眼神·2014-10-15 10:00

Claims Identity

using System.Collections.Generic;using System.Linq;using System.Security.Claims;using System.Security.Principal
·2014-10-14 10:00

cas错误:org.jasig.cas.client.validation.TicketValidationException: No principal wa

cas错误:org.jasig.cas.client.validation.TicketValidationException: No principal was found in the response
hao0111·2014-10-13 16:00

S - Spring Security Bad Principal Exception

项目中配置了SpringSecurity，通过自定义的UserDetailsService实现loadUserByName方法能够查出用户的信息，在继续运行至DaoAuthorityXXX时，在UsernamePasswordToken时，报出BadPrincipal异常，检查之后是因为在security配置中配置了数据库中的密码没有加密，所以springsecurity在比较用户输入的用户名，密
JayPark不作死·2014-10-10 11:00

Spring Security 取Session中的值和修改userDetails(转)

1.在session中取得springsecurity的登录用户名如下${session.SPRING_SECURITY_CONTEXT.authentication.principal.username
robin_csdn·2014-09-03 16:13

内部孵化与外部孵化（3）：Microsoft Ventures

负责人StephanJacquemot：Principal，负责
Lynette_PJC·2014-08-08 09:32

Jersey中的基本权限认证及访问程序

版本：jerseyv2.10importjava.io.IOException;importjava.nio.charset.Charset;importjava.security.Principal;
张大鹏的博客·2014-08-07 12:01

liferay通过ldap同步用户（[用户组]）设置（一）

连接设置： ldap.base.provider.url=ldap://192.168.94.128:19389   ldap.base.dn=dc=localdomain   ldap.security.principal
xyy511·2014-07-23 09:00

机器学习降维算法一：PCA (Principal Component Analysis)

引言：机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f:x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。当然还有一大类方法本质上也是做了降维，叫做featureselection，目
yhdzw·2014-07-21 22:00

[python]用python实现的pca算法

pca算法用于原始数据维数较高时对数据进行降维 关于pca算法的学习，有一篇分析特别详细的论文http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf
暴风雪·2014-07-10 22:00

Spring Security定制开发 单点登录CAS定制开发 集成 配置文件

importjava.util.HashMap;importjava.util.List;importjava.util.Map;importorg.jasig.cas.authentication.principal.Credentials
flash8627·2014-07-07 15:27

[置顶] Spring Security定制开发 单点登录CAS定制开发 集成 配置文件

importjava.util.HashMap; importjava.util.List; importjava.util.Map; importorg.jasig.cas.authentication.principal.Credentials
flash8627·2014-07-07 15:00

主成分分析（Principal components analysis）

最大方差解释1.问题    真实的训练数据总是存在各种各样的问题：1、比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。2、拿到一个数学系的本科生期末考试成绩单，里面有三列，一列是对数学的兴趣程度，一列是复习时间，还有一列是考试成绩。我们知道要学好数学，需要有浓厚的兴趣，所以第二项与第一项强相关，第三项和第二项也是强相
wenyusuran·2014-06-27 18:00

甲骨文产品开发团队紧急招聘

Positiontitleandbenefitisnegotiable(junior,senior,principal.).Weprefercandid
BenXu·2014-06-12 18:00

rails 自带ajax函数 observe_field

action=>'autocomplete_for_member',:id=>@project},     :with=>'q')   %>      observe_field的作用为每隔0.5秒查看id为principal_search
dazhi_100·2014-06-04 20:00

PCA(Principal Component Analysis)之个人理解

今天看论文，看到了PCA，顺便记录下来，但是PCA最经不是经常使用了，因为他的鲁棒性太差，人脸识别上对光照、姿态、表情、噪声都不鲁棒。现在做人脸识别一般用LBP和LDA，LBP对光照鲁棒，而LDA的分类效果好一些。可以用PCA对图片进行降维。下面步入正题，开始说PCA：PCA即主成分分析：假如我现在有80张训练集，我要对每一张图片进行降维，也可以说求这张图片的特征。加入这80张图片是100*100
宁静致远_淡泊明志·2014-05-31 08:39

SVD 与 PCA 的直观解释(4): PCA 主成分分析

reference：A Tutorial on Principal Component Analysis.pdf(通俗易懂)http://math.stackexchange.com/questions
heyijia0327·2014-05-24 00:00

CAS多个表单项提交验证

3、实体类修改org.jasig.cas.authentication.principal包下的UsernamePasswordCredentials类，在里面增加类似username和passw
yuke198907·2014-05-21 12:02

主成分分析（principal components analysis, PCA）

首先推荐一篇关于eigenvalue/eigenvector的文章，有助于理解PCA的理论原理：http://blog.sina.com.cn/s/blog_49a1f42e0100fvdu.htmlPCA的思想就是找到数据集的主轴方向，由这些主轴构成一个新的坐标系，它的维数小于原数据，这样原数据向新的坐标系投影，这个投影的过程就是降维的过程，得到的新数据就是主观认为的数据特征。PCA的缺点，忽略
Speknighter·2014-05-19 17:00

[置顶] 主成分分析—Principal components analysis

补充知识：在主成分分析过程中，会用到矩阵乘法的结合律。已知数据集（训练集）其中：。定义目标函数：问题1：当等于多少时，最小。解：针对求导，并令导数等于零解得：_________________________________________________________________________________________________________________________
wxcdzhangping·2014-04-14 10:00

shiro五个概念

Principal是Subject的标识，一般情况下是唯一标识，比如用户名。
鑫鑫哥哥呀·2014-03-23 20:00

苏州甲骨文最新招聘职位

Principal/SeniorSystemEngineer(Linux/OS)-PDITIRC2449541 SoftwareDevelopmentManagerFusionappsHCMIRC2069612
赚点奶粉钱·2014-03-19 17:00

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

1.问题    真实的训练数据总是存在各种各样的问题：1、比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。2、拿到一个数学系的本科生期末考试成绩单，里面有三列，一列是对数学的兴趣程度，一列是复习时间，还有一列是考试成绩。我们知道要学好数学，需要有浓厚的兴趣，所以第二项与第一项强相关，第三项和第二项也是强相关。那是不是
lming_08·2014-03-16 20:00

Assign directory/file access rights to 'everyone'

everyone;或者关掉UAC，把制定文件夹或者文件的权利给everyone代码如下引用usingSystem.Security.AccessControl; usingSystem.Security.Principal
clear_zero·2014-03-13 23:00

特征变换以及维度下降——Principal Component Analysis

【原文：http://blog.csdn.net/jojozhangju/article/details/19631535】1.Principal Component Analysis介绍在多元统计分析中
zhazhiqiang2010·2014-03-13 21:00

主成分分析（PCA）的来龙去脉

主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析，是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题
u013363719·2014-03-03 21:00

特征变换以及维度下降——Principal Component Analysis

1.Principal Component Analysis介绍在多元统计分析中，主成分分析（Principalcomponentsanalysis，PCA）是一种分析、简化数据集的技术。
u013538664·2014-02-21 21:00

保函

委托人（Principal）     是向银行或保险公司申请开立保函的人。委托人的权责是：   （1）在担保人按照保函规
xunzaosiyecao·2014-02-20 09:00

幫助新創公司躋身十億美金「獨角獸俱樂部」的 11 則建議

本文作者NikoBonatsos是創投公司GeneralCatalystPartners的Principal。
36氪·2013-12-20 08:00

特征降维-PCA（Principal Component Analysis）

在进行图像的特征提取的过程中，提取的特征维数太多经常会导致特征匹配时过于复杂，消耗系统资源，不得不采用特征降维的方法。所谓特征降维，即采用一个低纬度的特征来表示高纬度。特征降维一般有两类方法：特征选择和特征抽取。特征选择即从高纬度的特征中选择其中的一个子集来作为新的特征；而特征抽取是指将高纬度的特征经过某个函数映射至低纬度作为新的特征。常用的特征抽取方法就是PCA。下面着重介绍PCA。PCA原理M
xl890727·2013-11-23 11:00

R语言主成分分析——prcomp VS princomp

http://strata.uga.edu/software/pdf/pcaTutorial.pdf很好的一个介绍http://gastonsanchez.wordpress.com/2012/06/17/principal-components-analysis-in-r-part
右点点·2013-11-23 04:01

【无需解决】Firefox中，对某网页，拷贝文字时出现提示：您的firefox安全限制限制您进行剪贴板操作，请打开’about:config’将signed.applets.codebase_prin

article/25192.htm想要拷贝其中的某个标题文字时，出现提示：您的firefox安全限制限制您进行剪贴板操作，请打开’about:config’将signed.applets.codebase_principal_support
zkn_CS_DN_2013·2013-11-15 10:00

OCP-1Z0-053-V12.02-483题

Evaluatethefollowingblockofcode:BEGINDBMS_NETWORK_ACL_ADMIN.CREATE_ACL(acl=>'mycompany-com-permissions.xml',principal
rlhua·2013-11-11 09:00

模拟账户跨服务器上传下载共享文件

usingSystem.Text; usingSystem.Diagnostics; usingSystem.Runtime.InteropServices; usingSystem.Security.Principal
yeqi3000·2013-11-08 11:00

SQL Server快速部署作业到多台服务器

我的机器上面安装了Principal和Mirror两个2008R2
lzf328·2013-10-30 16:03

JAAS 概述

  主要类 LoginContext,另外需要一些辅助类,如普通类 Subject，Principal，Credential(凭证), 验证 LoginCont
jackyin5918·2013-10-25 15:00

主成分分析（Principal components analysis）

1.PCA理论介绍PrincipalComponentAnalysis(PCA)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。通俗的理解，如果把所有的点都映射到一起，那么几乎所有的信息（如点和点之间的距离关系）都丢失了，而如果映射后方差尽可能的大，那么数据点则会分
Vincent乐·2013-10-24 20:18

主成分分析（Principal components analysis）

1.PCA理论介绍           PrincipalComponentAnalysis(PCA)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。    通俗的理解，如果把所有的点都映射到一起，那么几乎所有的信息（如点和点之间的距离关系）都丢失了，而如果映射后方
chlele0105·2013-10-24 20:00
上一页 12 13 14 15 16 17 18 19 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他