From 4f8029bb3870388541ac8d6dcd84fc85fb4d11dc Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:06:28 +0800
Subject: [PATCH 0001/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index acfacf31..f82d4556 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -11,3 +11,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+人工神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。
From de2ddbba8e700c9a1be1ba6d37bfae3b5fb358d8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:06:49 +0800
Subject: [PATCH 0002/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index f82d4556..e88d9666 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -12,3 +12,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
人工神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。
+
+算法背景和发展
+
From 5a75f46bfc1c73948f85f45679c1cdb89524d70f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:07:19 +0800
Subject: [PATCH 0003/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 23 +++++++++++++++++++++++
1 file changed, 23 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index e88d9666..87ae0460 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -15,3 +15,26 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
算法背景和发展
+20世纪40年代,人们开始对神经网络研究。
+
+1943 年,美国心理学家麦克洛奇(Mcculloch)和数学家皮兹(Pitts)提出了M-P模型,此模型比较简单,但是意义重大。在模型中,通过把神经元看作功能逻辑器件来实现算法,从此开创了神经网络模型的理论研究。
+
+1949心理学家赫布(Hebb)提出Hebb法则,为构造有学习功能的神经网络模型奠定了基础。
+
+1957 年,罗森勃拉特(Rosenblatt)以M-P 模型为基础,提出了感知器(Perceptron)模型;
+
+1959年,美国著名工程师威德罗(B.Widrow)和霍夫(M.Hoff)等人提出ADALINE网络模型,ADALINE网络模型是一种连续取值的自适应线性神经元网络模型,可以用于自适应系统。
+
+1972年,芬兰的KohonenT.教授,提出了自组织神经网络SOM(Self-Organizing feature map)。
+
+1976年,美国Grossberg教授提出了著名的自适应共振理论ART(Adaptive Resonance Theory),其学习过程具有自组织和自稳定的特征。
+
+1982年,美国物理学家霍普菲尔德(Hopfield)提出了一种离散神经网络,即离散Hopfield网络,从而有力地推动了神经网络的研究;
+
+1984年,Hinton与年轻学者Sejnowski等合作提出了Boltzmann机模型;
+
+1986年,儒默哈特(D.E.Ru melhart)等人在多层神经网络模型的基础上,提出了多层神经网络权值修正的反向传播学习算法----BP算法(Error Back-Propagation);
+
+1988年,Chua和Yang提出了细胞神经网络(CNN)模型;
+
+1994年,廖晓昕关于细胞神经网络的数学理论与基础的提出,带来了这个领域新的进展。通过拓广神经网络的激活函数类,给出了更一般的时滞细胞神经网络(DCNN)、Hopfield神经网络(HNN)、双向联想记忆网络(BAM)模型;
From 4d6f4d3ea59e2dbd3decac76c5c45076d5630fe1 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:07:49 +0800
Subject: [PATCH 0004/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 ++-
1 file changed, 2 insertions(+), 1 deletion(-)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 87ae0460..7e3c7f02 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -13,7 +13,8 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
人工神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,信息的表示和处理体现在网络处理单元的连接关系中。
-算法背景和发展
+
+算法发展的背景
20世纪40年代,人们开始对神经网络研究。
From 5a7328b6b8b99569ac18e260beef5100404a2ff8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:09:47 +0800
Subject: [PATCH 0005/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 ++-
1 file changed, 2 insertions(+), 1 deletion(-)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 7e3c7f02..5e8b1a04 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -2,7 +2,6 @@
谷歌的人工智能位于全球前列,在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗,覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习,新产品进军家庭智能音箱并打造工作站级别Mac。另外,腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品,在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现,虽然入门艰难,但是一旦入门,高手也就在你的不远处!
AI的开发离不开算法那我们就接下来开始学习算法吧!
-#### Hopfield神经网络
人工神经网络 (Artificial Neural Network,ANN)简称神经网络(NN),是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型,根植于神经科学、数学、思维科学、人工智能、统计学、物理学、计算机科学以及工程科学的一门技术,通常用于解决分类和回归问题。具有并行分布的处理能力、高容错性、智能化和自学习等能力的特征,本质上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。
@@ -39,3 +38,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
1988年,Chua和Yang提出了细胞神经网络(CNN)模型;
1994年,廖晓昕关于细胞神经网络的数学理论与基础的提出,带来了这个领域新的进展。通过拓广神经网络的激活函数类,给出了更一般的时滞细胞神经网络(DCNN)、Hopfield神经网络(HNN)、双向联想记忆网络(BAM)模型;
+
+#### Hopfield神经网络
From 5b614f5574eaca749328bf21baf8e4a3b2631c7d Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:10:35 +0800
Subject: [PATCH 0006/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 7 +++++++
1 file changed, 7 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 5e8b1a04..96f19b04 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -40,3 +40,10 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
1994年,廖晓昕关于细胞神经网络的数学理论与基础的提出,带来了这个领域新的进展。通过拓广神经网络的激活函数类,给出了更一般的时滞细胞神经网络(DCNN)、Hopfield神经网络(HNN)、双向联想记忆网络(BAM)模型;
#### Hopfield神经网络
+
+Hopfield提出了连续和离散的Hopfield神经网络模型,并采用全互联型神经网络尝试对非多项式复杂度的旅行商问题(Travelling Salesman Problem,TSP)进行了求解,促进神经网络的研究再次进入了蓬勃发展的时期
+
+Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大器等元件组成的模拟电路实现了对网络神经元的描述,把最优化问题的目标函数转换成Hopfield神经网络的能量函数,通过网络能量函数最小化来寻找对应问题的最优解.Hopfield网络是一种循环神经网络,从输出到输入有反馈连接,典型的Hopfield神经网络模型如图所示.
+
+
+
From a740a9487debba1c42ef861f4c4c4e048e4c0e8c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:11:11 +0800
Subject: [PATCH 0007/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 96f19b04..c36ee845 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -47,3 +47,4 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
+在图中每组运算放大器及其相关的电阻、电容组成的网络代表一个神经元。每个神经元有两组输入,一组是恒定的外部电流,另一组是来自其他运算放大器输出的正向或反向的反馈连接。假设第i个神经元的内部膜电位为Ui(i=1,2,…,n),细胞膜的输入电容和传递电阻分别为Ci和Ri,神经元的输出电位为Vi,外部输入电流为Ii,并用电阻Rij(i,j=1,2,…,n)来模拟第i个和第j个神经元之间的突触特性。由基尔霍夫电流定律(Kirchhoff’s Cureent Law ,KCL)可知,放大器输入节点处的流入电流和流出电流保持平衡,亦即有下式成立:
From 4dbee9729c2c7b15f0008b04784e8260166052b2 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:14:02 +0800
Subject: [PATCH 0008/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index c36ee845..0a723042 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -48,3 +48,6 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
在图中每组运算放大器及其相关的电阻、电容组成的网络代表一个神经元。每个神经元有两组输入,一组是恒定的外部电流,另一组是来自其他运算放大器输出的正向或反向的反馈连接。假设第i个神经元的内部膜电位为Ui(i=1,2,…,n),细胞膜的输入电容和传递电阻分别为Ci和Ri,神经元的输出电位为Vi,外部输入电流为Ii,并用电阻Rij(i,j=1,2,…,n)来模拟第i个和第j个神经元之间的突触特性。由基尔霍夫电流定律(Kirchhoff’s Cureent Law ,KCL)可知,放大器输入节点处的流入电流和流出电流保持平衡,亦即有下式成立:
+
+
+
From 21be4c1c76e44969728d0eed5713afa2e40cff1e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:15:00 +0800
Subject: [PATCH 0009/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 5 +++++
1 file changed, 5 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 0a723042..12227d2b 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -51,3 +51,8 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
+同时,每一个运算放大器模拟了神经元输入和输出之间的非线性特性,即有
+
+
+
+
From 82b5364c80020911d6f11ee183007a5dde1510df Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:15:41 +0800
Subject: [PATCH 0010/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 12227d2b..1b44c7a9 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -56,3 +56,4 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
+其中,fi代表了第i个神经元的传递函数,并定义W=Rij-1 (i,j=1,2,…,n)为网络的权系数矩阵.为证明连续型网络的稳定性,Hopfield定义了如下的能量函数:
From 8dd212e5db90a793719d56514b21da36ff9acb1f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:15:57 +0800
Subject: [PATCH 0011/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 1b44c7a9..15b3ed11 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -57,3 +57,6 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
其中,fi代表了第i个神经元的传递函数,并定义W=Rij-1 (i,j=1,2,…,n)为网络的权系数矩阵.为证明连续型网络的稳定性,Hopfield定义了如下的能量函数:
+
+
+
From df72e5a5668dddcc3107ebb7438a301258006b85 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:16:20 +0800
Subject: [PATCH 0012/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 15b3ed11..2ccafc27 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -60,3 +60,6 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
+
+
+
From d4ef8b6593c5daf65ebf69bef487f67b1df713be Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:16:44 +0800
Subject: [PATCH 0013/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 2ccafc27..0f931611 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -61,5 +61,9 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
+其中,f-1为神经元传递函数的反函数.经过推导后得出以下两点结论:一是对于具有单调递增传递函数且对称权系数矩阵的网络来说,其能量会随着时间的变化而趋于稳定;二是当且仅当网络中所有神经元的输出不再随时间变化时,则可以认为网络的能量保持不变。在将网络用于求解诸如旅行商的组合优化问题时,Hopfield将优化的目标函数转化为网络的能量函数,对应地将待求解问题的变量用网络中神经元的状态来表示。由这样的表示方式可知当网络的能量衰减到稳定值时,问题的最优解也随之求出。
+
+Hopfield网络按网络输入和输出的数字形式不同可分为离散型和连续型两种网络,即:离散型Hopfield神经网络----DHNN(Discrete Hopfield Neural Network);连续型Hopfield神经网络----CHNN(ContinuesHopfield Neural Network)。
+
From 3f81e0edd921e7393198fa545878f033179cc091 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:17:49 +0800
Subject: [PATCH 0014/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 0f931611..adcbb4d9 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -65,5 +65,9 @@ Hopfield强调工程实践的重要性,他利用电阻、电容和运算放大
Hopfield网络按网络输入和输出的数字形式不同可分为离散型和连续型两种网络,即:离散型Hopfield神经网络----DHNN(Discrete Hopfield Neural Network);连续型Hopfield神经网络----CHNN(ContinuesHopfield Neural Network)。
+DHNN结构:它是一种单层全反馈网络,共有n个神经元。每个神经元都通过连接权接收所有其它神经元输出反馈来的信息,其目的是为了让任一神经元的输出能接受所有神经元输出的控制,从而使各神经元能相互制约。
+DHNN的设计原则:吸引子的分布是由网络的权值(包括阀值)决定的,设计吸引子的核心就是如何设计一组合适的权值。为了使所设计的权值满足要求,权值矩阵应符合以下要求:(1)为保证异步方式工作时网络收敛,W应为对称阵;(2)为保证同步方式工作时网络收敛,W应为非负定对称阵;(3)保证给定的样本是网络的吸引子,并且要有一定的吸引域。
+
+具体设计时,可以采用不同的方法:(1)联立方程法;(2)外积和法。
From 72d3e0bede40627f39b8f0808a4829170bf1ac50 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:23:57 +0800
Subject: [PATCH 0015/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index adcbb4d9..2bd8785a 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -71,3 +71,4 @@ DHNN的设计原则:吸引子的分布是由网络的权值(包括阀值)
具体设计时,可以采用不同的方法:(1)联立方程法;(2)外积和法。
+CHNN:在连续型Hopfield神经网络中,所有神经元都随时间t并行更新,网络状态随时间连续改变。
From f9408daf4ed5b97bbcee8cb9a32d02b016020219 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:24:28 +0800
Subject: [PATCH 0016/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 2bd8785a..68075c59 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -72,3 +72,6 @@ DHNN的设计原则:吸引子的分布是由网络的权值(包括阀值)
具体设计时,可以采用不同的方法:(1)联立方程法;(2)外积和法。
CHNN:在连续型Hopfield神经网络中,所有神经元都随时间t并行更新,网络状态随时间连续改变。
+
+
+#### 应用领域
From 8a9f2ca9bac89fec2eb21635d2b221562357868f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:25:02 +0800
Subject: [PATCH 0017/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 68075c59..bb842dbd 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -75,3 +75,4 @@ CHNN:在连续型Hopfield神经网络中,所有神经元都随时间t并行
#### 应用领域
+Hopfield是反馈归神经网络,主要应用于联想记忆、聚类以及优化计算等方面。
From e695be283b0b29a4e3d4b8cc55f893dfb46e8c89 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 6 Jan 2018 09:25:29 +0800
Subject: [PATCH 0018/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 9 +++++++++
1 file changed, 9 insertions(+)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index bb842dbd..3f4a1256 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -76,3 +76,12 @@ CHNN:在连续型Hopfield神经网络中,所有神经元都随时间t并行
#### 应用领域
Hopfield是反馈归神经网络,主要应用于联想记忆、聚类以及优化计算等方面。
+
+
+#### 优缺点
+
+Hopfield网络是一种非线性的动力网络,可通过反复的网络动态迭代来求解问题,这是符号逻辑方法所不具有的特性。在求解某些问题时,其求解问题的方法与人类求解问题的方法很相似,虽然所求得的解不是最佳解,但其求解速度快,更符合人们日常解决问题的策略。
+
+Hopfield神经网络的提出就是与其实际应用密切相关。具有联系记忆的功能,具体为:
+
+联想记忆:输入--输出模式的各元素之间,并不存在一对一的映射关系,输入--输出模式的维数也不要求相同;联想记忆时,只给出输入模式部分信息,就能联想出完整的输出模式。即具有容错性。
From 1ee7073a23eeb265e3538d955b3e977b74c05719 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 09:09:11 +0800
Subject: [PATCH 0019/1406] Update HPD.md
---
assets/src/HPD/HPD.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/HPD/HPD.md b/assets/src/HPD/HPD.md
index 3f4a1256..ed0b9df2 100644
--- a/assets/src/HPD/HPD.md
+++ b/assets/src/HPD/HPD.md
@@ -3,7 +3,7 @@
AI的开发离不开算法那我们就接下来开始学习算法吧!
-人工神经网络 (Artificial Neural Network,ANN)简称神经网络(NN),是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型,根植于神经科学、数学、思维科学、人工智能、统计学、物理学、计算机科学以及工程科学的一门技术,通常用于解决分类和回归问题。具有并行分布的处理能力、高容错性、智能化和自学习等能力的特征,本质上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。
+所谓的人工神经网络 (Artificial Neural Network,ANN)简称神经网络(NN),是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型,根植于神经科学、数学、思维科学、人工智能、统计学、物理学、计算机科学以及工程科学的一门技术,通常用于解决分类和回归问题。具有并行分布的处理能力、高容错性、智能化和自学习等能力的特征,本质上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。
神经网络由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激活函数(activation function);每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(weight),神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达,是对传统逻辑学演算的进一步延伸。
From 018d8fcf3ab8cde217822896c879ca52a949c200 Mon Sep 17 00:00:00 2001
From: keke <2536485681@qq.com>
Date: Sun, 7 Jan 2018 20:52:08 +0800
Subject: [PATCH 0020/1406] add DT
---
assets/src/DT/DT.md | 17 +++++++++++++++++
1 file changed, 17 insertions(+)
create mode 100644 assets/src/DT/DT.md
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
new file mode 100644
index 00000000..636ce113
--- /dev/null
+++ b/assets/src/DT/DT.md
@@ -0,0 +1,17 @@
+### Deeplearning Algorithms tutorial
+谷歌的人工智能位于全球前列,在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗,覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习,新产品进军家庭智能音箱并打造工作站级别Mac。另外,腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品,在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现,虽然入门艰难,但是一旦入门,高手也就在你的不远处!
+AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。主要研究计算机怎样模拟或实现人类的学习行为,以获取新的知识和技能,重新组织已有的知识结构,不断的改善自身的性能。
+
+机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。这些算法是一类能从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。简而言之,机器学习主要以数据为基础,通过大数据本身,运用计算机自我学习来寻找数据本身的规律,而这是机器学习与统计分析的基本区别。
+
+机器学习主要有三种方式:监督学习,无监督学习与半监督学习。
+
+(1)监督学习:从给定的训练数据集中学习出一个函数,当新的数据输入时,可以根据函数预测相应的结果。监督学习的训练集要求是包括输入和输出,也就是特征和目标。训练集中的目标是有标注的。如今机器学习已固有的监督学习算法有可以进行分类的,例如贝叶斯分类,SVM,ID3,C4.5以及分类决策树,以及现在最火热的人工神经网络,例如BP神经网络,RBF神经网络,Hopfield神经网络、深度信念网络和卷积神经网络等。人工神经网络是模拟人大脑的思考方式来进行分析,在人工神经网络中有显层,隐层以及输出层,而每一层都会有神经元,神经元的状态或开启或关闭,这取决于大数据。同样监督机器学习算法也可以作回归,最常用便是逻辑回归。
+(2)监督学习:与有监督学习相比,无监督学习的训练集的类标号是未知的,并且要学习的类的个数或集合可能事先不知道。常见的无监督学习算法包括聚类和关联,例如K均值法、Apriori算法。
+(3)半监督学习:介于监督学习和无监督学习之间,例如EM算法.
+
+如今的机器学习领域主要的研究工作在三个方面进行:1.面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2.认知模型,研究人类学习过程并进行计算模拟;3.理论的分析,从理论的层面探索可能的算法和独立的应用领域算法.
+
+#### 决策树
\ No newline at end of file
From 00f2cee4b1c53923d8ca80a54dd21f78f598b9cc Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 20:54:54 +0800
Subject: [PATCH 0021/1406] Update README.md
---
README.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/README.md b/README.md
index 52626a6c..e10923f8 100644
--- a/README.md
+++ b/README.md
@@ -58,7 +58,7 @@
* [CBA](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/CBA/CBA.md)
* [KNN](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/KNN/KNN.md)
* [Hopfield神经网络](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/HPD/HPD.md)
- * [决策树]()
+ * [决策树](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/DT/DT.md)
* [聚类分析]()
* [关联规则]()
* [支持向量机(SVM)]()
From f4dfc23e70165c902b25c200ab03fc1841c6919d Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 20:58:17 +0800
Subject: [PATCH 0022/1406] Update DT.md
---
assets/src/DT/DT.md | 5 ++++-
1 file changed, 4 insertions(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 636ce113..cb9cd9f2 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -14,4 +14,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
如今的机器学习领域主要的研究工作在三个方面进行:1.面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2.认知模型,研究人类学习过程并进行计算模拟;3.理论的分析,从理论的层面探索可能的算法和独立的应用领域算法.
-#### 决策树
\ No newline at end of file
+#### 决策树
+
+决策树(Decision Tree)是应用于分类的一种树结构。其中的每个内部节点(internal node)代表对某个属性的一次测试判别,一个分枝代表一个测试结果,叶子(leaf)代表某个类(class)或者类的分布(class distribution)。最顶层的节点是根结点。可以将决策树理解为一个if-then规则的集合,由决策树的根节点到叶节点的每一条路径构建一条规则。
+
From c4205f8ad1e5cc9c8b28e6ae49583e2fd2a2213e Mon Sep 17 00:00:00 2001
From: keke <2536485681@qq.com>
Date: Sun, 7 Jan 2018 21:00:31 +0800
Subject: [PATCH 0023/1406] change page of DT
---
assets/images/96.jpg | Bin 0 -> 4499 bytes
1 file changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/96.jpg
diff --git a/assets/images/96.jpg b/assets/images/96.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..e03716bb3bfcf7a6b4719c3d1c14a90bd55a0710
GIT binary patch
literal 4499
zcmYk5c|25a^vCZkX2uM%W=Szb_MI4#EZHR_rA5>jV~HU<8T(Rw9FfE$H`0uTg}n;V5fKmc}$
zLUFT4>S%I1rRVK0AK(B3t-qm0{2xfeeX>XxfW&rS0n$H+L?U6>Ng~lnB*wpkPA9P$2A#xUkQgjF7NBD>bS#!m!u+qu
zehr<@2H6se#UNoABrJpNq+|c#jDKSWi^aCF=p?qxVz8-yAbSP^L;iojSusFtTzo=e
zQgTXa+P(Yf8Klgt?0X<`UVcGg5v91Kv<#F}Nv)z)*VNY4H#9aix1@o>J38rI-95bz
z`uh7TS_g-QM;<>J9UISSfB5{x%gOG6iRm{pZ)fM`Yo5LOu&@~Znz6dJ{_)dB<@=@o
zzVxmzcXs!_eIMG~I@tR9<1Y(!`EC-E1;OeV@BMn16NnHFs78b
zTyHCK$~_XQZPi(K!NH<($;;Rruc~9V7gQYH*)Z3h&}Q7e!f`08_!LWdLr|b>lycc8
z|BFB>y?G%AU)nP#pD2GsBCIC9T)^4J<&-P;&L8U@!tlWJ<;z*~+5sXud3`)&pPr75
zwEU>nsx`f)>AtQ>BT8g1{lCE4i2F1SazJBi=EkdMk)tJZ
zrYP~?(7@q`v&;9kF1b&n=}gslBxxY0JTmlQm&8bF1nJexgEic7)=5*Tjhp9f54x>#
z&N=t+=bG7ht&zz$3f6M25#-m6ZjklX3(h9UuPNdyHe~$7}_>R0>Q53(xr?O-fFI;JoEK`nne_79ln&DiCsLHa#Z_s$|q;kP7Tau6eGzY!aD#$P*Q2N-VTADU}PWC2#f*-j3D&%6z`_q30w>$*#IEc1E!LL
z>?>#l>U`{6P}ekHkYxmn@JktSG(J248iA1sAG+N!>*NPx={o}ronW^?=o<1!Q}3n}
z=awXEXx0NNthEia@AIHOxBWqi`u7Eshk(Xb?D7Dsr*ns)cAs(fie0o2+|}aYl!NQe
z6HUY4Dio5)q@vXRUoj*N^YM#obLNh`NFBL(+gQqWAoA86qVsyjurlE`I;Jj4=K%0
ze;TBpR>_zJCI9u6<=#^onaBmob~gs)XA^wrPIa8#D$s29~C2y#1{I5aG78
z>amOmTPfmKlsjHZIP`uSd@HLnSMRaByZ#BUG{AyAE7kD%bkFJD_~WIIJT0d?Ju?nN
z_B5m-I$kelD8nC4rKfJ5(4UjGAfE=Me>wIxTS5<^^T1fJ4B}T*u!@6I;Sa5R1+JJr
zQ=2V~Ic`tfDZ36_qpOuGZ+bmCl7O)M)cclii?CFf_o)JFycxC~Ckf@``IARFx=xb%
zTAy@C^_vNTJ2MH%>CV?4XnI_Qnqp0b3#K4OoL
zuOe3B$viJ{VwxB}ZNHn+<)-}R8WXKbcRE(gcS1)UsF~=^&c<^oEF~W!q{-_MYT<1+Ot1Lq3*O+1~0c-Tku`SsJO;O1Eqs#-)UMc5+)*
zJx&1pPcP5!kc&e3lZ|uI-MWkf0fhig2-Gc2&87=A9Ve8-3
z1@i?o9ftIC-!EoIXSn!uGFF~@web_zrju5b%580Wm-9D*>`$(U@=#jaDPJi3r&7Y~
zA_fEs4m~(=YIpp8)J|Kev6h@J`1`pjk;-!9e`^NP3g`6CIB6vH%9&;By}ExebXBa1
zR&EgfJUz?F)ZJi18K`o|&)1ULSV}n;1C}Jv_m2Pk3B!Tyq1Ag*>eqFR?>r>J%l`(^
zeh^{CRo#b5*NwR_B6TX1<<~VzT2&`mYdA_DI&rN9UDqGOv@d3IwSBLsyLO&w{YV{F
zJ1<3hfKzlC$(n)8Y1Lm&FvHU{oiLwn3H$phYC#$IdeR>^{RcL`LMcl;m^E)m=TN-5
zxlGoaUgIWDqI~dpfj+C1bFbWn3HYVMN~U+(LQ;I}g|p{ebDZJV)r^D0Q5@yYbd|tK
zF58p!Gb7Q%Cw=e7xxZ^m9PvjZycg?lj~GEqf0otQ+jA+$4$qwn3$7|lNW=|RCUwW(
z>M?795UQo)YmjdnKfHms7zAFci5=`Q`@`i&7n>%c1;tD@TjFi%tJ;T;+2}wqpvo`d0t57HjacoG5exq`qL^+
zC-MwuPjRf^<~DQ;*PY)mW_xif7A`Y(W@un3)h@gu4(+BlAu4N=^lfuVZ6s7ZV`=nq
z)Ok4C6s`awfv<`kh4psmjCq%(9Wr_yrx0KG;$p6*DbMToia8(wL!2GW(_1z-GzPs$R=Hcnf&a{^grEV&Y~wMt`lUtj5)JtH^$$VLXYM@vd2pwRj!W+hdrteD
ze(BJH7d+o}$Zc~Xe8#|HNDOy%VIjWo-PWE@_;$;&JKn!&l}tL{(3Ch$H{oTUC7l-0
zj}EvFZusD@Wb3=h2oBtRawMS6W0(L}^noqx(|-=xDiH!c;ibbSV|CkI38~pvR%v3i
z>nF9UNq#}^7k%`aw5a&Pj~#0&CuuKQQ{U>(Q7UxLjlQzB+9S6Kero+LtWq6qtqZL=-
zCHuDGuxh6TMeSgg)rTm`sVlh~_o8LG@}OTW`<{F-Ny#uv)RZH!sG~l#9~Xkb`IOle
z9of?YgDdKL8TTTFyOkf+Wgb&Yy?bTj+M~1TQxEqD`fncj-Ib9i;I|tW`{$w%ksfVI
zuJ(e4%DL&0+B^!xiAOf8`%cg83)ByKew<3#5o&iFQJ00*m(P?Xl}jHk)oo>7IQZ3t
z*tj#bpS0)-H5mANcz?>|u#GVEXlB=s6MuPOPzm>4P#eFFh??=Y5F-}vA-IJBv=Sug
z50c$e7UKm!))ZKJi)pI>q+&p-m4+i(#DgCS`zK-{E-^y{EyrEMii?Od0)VunqH(rr
zD;OjaW1QQ{B0{$TF(dHwuCdPE-B`7|4;{c#ZeT>23ZFmtjk~Tk8n75s1Gm7QX
zRORJOc$#(hFf_pu2SAf!40J*Ai-x?8XA|u;M26!O7B!&u>P9X{eoHAU#;D*-wEeVr
zkdA=TB=|$1!CAC1*+@yKU4?HE>?obQIF!IkO%|&;`PyC2aL6*+-N@7;4(lQoCuy%4SW!1v
z^=8^tEd&<;QC9ivOo$pjjhjwKY}
zSfWK1U=iNf{lLVjYVAQ|wPy}sXiI#vNwnfpIsjxu?kWm;089KJbW7@wpNV~lGv5&z
z^EK+$GDw+9wWYDN6&KNkAtF2!(3B(wh*%B)8BcMXgT@eTwPZ6sEtGxolDT4yiK>*B
zRzH8H{#d5M9C2?)8Q$Utk|cuMApD^a;WCgeFEG-M+0#9iBLe76s$3vO;k)>EmsKwk
za{_bt7mStc_U*CixtH6l^a&BpwQ?>68quw}(WVyP%|+b`_#!Tn&51c5-wHP;kxx1t
z@!JTA6wVV3I1(fpj|<3)aTE_9kG=aUk1(ERtan^u$cL7GtTs%9rO>z{-!-%MZ2`
zPv6LA{>*y<%Fo%)zZsTCDJa;AjmqC3m!#xH!X<9$6_TfOEWvqe7Yl!>=hlek=f#IN
znijPeSj&49t#4az^V*(0g4${EL?n8C_}
z4qq*1rB}dJUvujE4JtN?x>Z5FIzm0UOs!d>YBO)!PPiFqRGqna_CFnN7pp31P~bUy
z0CBoX(42+~5p`pld(~CBGo`(ernh^!0#a$d3jXI81u}?O-V@^2@w_;?$LUFr(=?yc
z>Nh1%NQh^8gkb!_na(laO{42P#)WFKF>dh+H%*<3)z$>g=L&dYoqW^+k_t`vK;FTL
zo~K$pqjYZZ$W#}J0mXF!U#qTF9Mn+pyfnO5O`RuVv@So15dK7b%nbfC(*x;Q4{7D=
zAj9d2-n}}dE`xlv3Ju;y4e?m$sF&^%+g7M$dh?fo3iAt1!$`r`6V(hcJ|EuO
zyX!*J7bNDGRo|?drkS-zoLf1b(za!9Gi6%8o1p}sdJk(gt`~YZ+-TxrRO{;aKl=)S
z3BwT8*Tn1Hl6z|r5!kaWZDTSH=MUO4&ijY^`$u8hd9-aR54(2D_;sc>oEqU1^W+r&
z7(niAYC`f^E4l_RbreiA2O;@xb_Rq`21w*}1R`tIstAVFG+(g}SSA6^q2}6a&ZizI
zblKjy&V-lP750Eya)J75GVpGFmodKUz^FUHda8?9M7&75^vaQW?
zQQZn=R@e#jU`S8l=b*Oj9snP9qV6J1zpSdO_k_A=lQ*H>sY0pRp40Ndv)vw1q+M^(
z`Tio=N8aQ^cp;d6X}&|>`?(w!WaJow637`!hxfnqw);8P2XB3FlMp)Vsx$NJ79+xB
zzNln%zyI8He`uH8`cu@NUf#+Pxu@~xS6$D}UTXPV&%Kov_EquGh9b|mq7!4Hl!>1F
m5zexq6eEa18OOb&eU~VlK99J?(NE?=L6Mq=B9TM@(ElGGZwDO!
literal 0
HcmV?d00001
From 7648539122b84a6f5f111e9c3364f9d41e9c107e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:02:15 +0800
Subject: [PATCH 0024/1406] Update DT.md
---
assets/src/DT/DT.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index cb9cd9f2..e4e38937 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -18,3 +18,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
决策树(Decision Tree)是应用于分类的一种树结构。其中的每个内部节点(internal node)代表对某个属性的一次测试判别,一个分枝代表一个测试结果,叶子(leaf)代表某个类(class)或者类的分布(class distribution)。最顶层的节点是根结点。可以将决策树理解为一个if-then规则的集合,由决策树的根节点到叶节点的每一条路径构建一条规则。
+
+
+
From d7b432b9accfa07c7071a897c4b1b1d9ea0a143f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:02:27 +0800
Subject: [PATCH 0025/1406] Update DT.md
---
assets/src/DT/DT.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index e4e38937..e5be74c3 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -21,3 +21,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
From 1e2802d1d512e99a35410239bbaa76c94f31415a Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:02:41 +0800
Subject: [PATCH 0026/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index e5be74c3..cb3c8649 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -19,6 +19,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
决策树(Decision Tree)是应用于分类的一种树结构。其中的每个内部节点(internal node)代表对某个属性的一次测试判别,一个分枝代表一个测试结果,叶子(leaf)代表某个类(class)或者类的分布(class distribution)。最顶层的节点是根结点。可以将决策树理解为一个if-then规则的集合,由决策树的根节点到叶节点的每一条路径构建一条规则。
-
+
决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
From cd4fb0025ce491ff0c1b5740debb09a4d9f37b74 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:03:01 +0800
Subject: [PATCH 0027/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index cb3c8649..da8835b3 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -19,6 +19,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
决策树(Decision Tree)是应用于分类的一种树结构。其中的每个内部节点(internal node)代表对某个属性的一次测试判别,一个分枝代表一个测试结果,叶子(leaf)代表某个类(class)或者类的分布(class distribution)。最顶层的节点是根结点。可以将决策树理解为一个if-then规则的集合,由决策树的根节点到叶节点的每一条路径构建一条规则。
-
+
决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
From bec1bd62980467404781a99d08846edc7a867c5b Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:03:32 +0800
Subject: [PATCH 0028/1406] Update DT.md
---
assets/src/DT/DT.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index da8835b3..9e556073 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -21,4 +21,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+
决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
+
+构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。
From 53b7ee5be79e0208b423bbb5d8130375ac67a895 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 7 Jan 2018 21:03:45 +0800
Subject: [PATCH 0029/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 9e556073..21bf47b9 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -24,4 +24,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
-构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。
+构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
From 137a3649652aa9741df451bfb33c9f304454a939 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:31:56 +0800
Subject: [PATCH 0030/1406] Update DT.md
---
assets/src/DT/DT.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 21bf47b9..1d64ac4b 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -25,3 +25,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
决策树学习算法包含特征选择、决策树的生成和决策树的修剪过程,构造决策树的方法是采用自上而下的递归构造。
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
+
+信息增益算法:
From 45b98919fd0cd00ff289986d5eaf873273ea1379 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:37:14 +0800
Subject: [PATCH 0031/1406] Update DT.md
---
assets/src/DT/DT.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 1d64ac4b..ff4e3e04 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,3 +27,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
+设D是s个样本的集合,具有n个不同的类别
From 498d04f5f8d4269b117d1905799ceb732994c946 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:38:32 +0800
Subject: [PATCH 0032/1406] change page of DT
---
assets/images/100.jpg | Bin 0 -> 1051 bytes
assets/images/101.jpg | Bin 0 -> 239 bytes
assets/images/102.jpg | Bin 0 -> 270 bytes
assets/images/103.jpg | Bin 0 -> 573 bytes
assets/images/104.jpg | Bin 0 -> 612 bytes
assets/images/105.jpg | Bin 0 -> 255 bytes
assets/images/106.jpg | Bin 0 -> 232 bytes
assets/images/107.jpg | Bin 0 -> 231 bytes
assets/images/108.jpg | Bin 0 -> 1109 bytes
assets/images/109.jpg | Bin 0 -> 329 bytes
assets/images/110.jpg | Bin 0 -> 1037 bytes
assets/images/97.jpg | Bin 0 -> 624 bytes
assets/images/98.jpg | Bin 0 -> 217 bytes
assets/images/99.jpg | Bin 0 -> 238 bytes
assets/src/DT/DT.md | 2 +-
15 files changed, 1 insertion(+), 1 deletion(-)
create mode 100644 assets/images/100.jpg
create mode 100644 assets/images/101.jpg
create mode 100644 assets/images/102.jpg
create mode 100644 assets/images/103.jpg
create mode 100644 assets/images/104.jpg
create mode 100644 assets/images/105.jpg
create mode 100644 assets/images/106.jpg
create mode 100644 assets/images/107.jpg
create mode 100644 assets/images/108.jpg
create mode 100644 assets/images/109.jpg
create mode 100644 assets/images/110.jpg
create mode 100644 assets/images/97.jpg
create mode 100644 assets/images/98.jpg
create mode 100644 assets/images/99.jpg
diff --git a/assets/images/100.jpg b/assets/images/100.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..2429a406856068620c4d669fe7f771ab7508ccaa
GIT binary patch
literal 1051
zcmZ?wbhEHbJjtNTP|jee_)jW0Kdq!Zu_)C_!8bFxD8CrURq#(s%S=vXQ2fcl$N&U7
zj0~&{M;TNZT0uMp24)5pE^aOsAcKvYmy4T&je~;)2)KB;xj2}aSvYukIas)Wd~RL_
zW)5y{US2K^ZZ>9KZf*`{2B20TW?|!IVPFCBfM#%T@iH?o1C3*0U}gpy&CJ2T%)-UR
z%LOu)1IT0s8p6iG#lppMSBXYDI*B)YYvue(PsHWH^5K-231EovOH41Oyw}J370%
zdwTo&Crq3)dCJsjeT>sRXGRM%&R?)_Vd1QdIZNG_NAk{Zb#Gp>!b3!K0T08x`C=}s
zHo5K%U&AO~?It7<)x158OY*4q+4D}qN1TPEPCFmi=X5*lI-|6V8&^t1Gvm!z-m88>
zvX7mwoIkba&g|G1kJ7KdioO`W$Y%EOwg#*G?;)K|5iQr$>!W{7{V4GIWJ~PjTZ}7~
zujSaqAQ~_DL*&xw>vOEg3GE%*$fuIKADGk|@M4G4%_}!G{(-XUP#
zm;Wea-noqAB>_s?T*6Mj;=FBZ)K_43vHSfZx!K7n3_`(|cC}9BO^8`{ty_MPdsAoT
zx`fAP-k(~d`17si!3nM!lEsJeH=ixx*1h_JJwQ;yh9SUz*~0RKLe53*SG-<6VEXSB
zb~ndlQb4!j=D-s9vt?%rFTQ-fNL#os!dE2th|vOJ-i945feKXxlkFbgNIBuIB0AB@
z=8W&>hXQuTmWhaQtQ7F?^RaPD6%LnUY?FA#P>?KKf3z*kY)Pobk>Id^4NkF_1h!xE
zPwnHJ7Zv*=ap8>hE$RnbLqGlOlCGE|m@ecV^;li7EUM%(%fk?Y*xm9x*R2N_({`bHgMV;l*M*S`}Iz+&t;DCrv}r
zJ5J)OOw@sUk3IbMvFZ;!U3T#v)PBEr^OZ-EKBw;qvoKf#0Lh$!761SM
literal 0
HcmV?d00001
diff --git a/assets/images/101.jpg b/assets/images/101.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..29cc113d4fb385a29ce4b4a4191d0e1611a3a42d
GIT binary patch
literal 239
zcmZ?wbhEHb6k?EMC}%KK{3jKhpH@vk
zCI(Iheg+_G)OLCzp+tnqHDj3ASYwmGvri_
PwOA)@b5D?9Vz34PBt9?o
literal 0
HcmV?d00001
diff --git a/assets/images/102.jpg b/assets/images/102.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..f004e88d4382647e16ca8711eb7ea4a73c101401
GIT binary patch
literal 270
zcmZ?wbhEHblxL7+C}%KK{3jKhpH@vk
zCI%J;DF#7?77&ktfs2KKg@c!ui-VbgnS+a$i-nn&gN1>Cg^Qb)n++t!%?%V};pOHA
zs^DN|VP;_9d25SJ9F+Dv1
literal 0
HcmV?d00001
diff --git a/assets/images/103.jpg b/assets/images/103.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..36104f0b8b3e8222821cd06eee80ffbc7594e29b
GIT binary patch
literal 573
zcmZ?wbhEHb3}ujHC}%KK{3jKhpH@vk
zCI(i9Kn4MZRuGSYfrFWWftiDwo0ppn%;Mr@VBzBB0tvHl@bYr70BJ66UM>~}UT$t?
zHlR8nlYyCmnVErwg@c=ggNqqRb8&I70rjx3v9PhRakBtTWaH-I1}bG{0UE=>%fiCN
z%*??H6k_Ax;^1IpVx}Ci{dZ^(P?8X6IkBYZWRBJRfRuv;0YZWo*OZ-RRT1e{S^V(D
ztn<&>1y3$mbiZKvFO5HK6Yo2u$en$Ez0j+!##2Z*q9P$EkF_c=IJ8%=(Q5+3ByX3=
z9{jTzazo=p7WyqHT|6ZxZ_yG@PSI4Ca)wzsDgIlXl2cdioWI?tt(?DOw=+}6(gWcu
zcbz`ryM9kx7i&YW7}EjoYbCwn!hMZ*oq9KW?z@u6x}9G_L{dun^3=EQWn_iq)@Hm(
zefPmm$8gG<$6kq!k%g@!ee2l(zbC{0n-<7Z;%nq>CyN}2<=7AF&fH2{dzm8}2(
literal 0
HcmV?d00001
diff --git a/assets/images/104.jpg b/assets/images/104.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..f13364a2267de451bead9d53141155ee41cb5b22
GIT binary patch
literal 612
zcmZ?wbhEHbOk$8`C}%KK{3jKhpH@vk
zCI(i9SOy`6RuGSYfrW*O3y8USSr}NjSQvP@xqvh;7Y8#?jExy24^+g=!OhLf#lpm9B}FH5tmdC&WUSQiS$Jbj+3GcMtwBo^9n_RJJuZ51#&z{|-$jNC
z1N0;=J0Jdd;NIuz+T4J8hN>DL0YN7=AuqNZ24Tj&fC+Asr#Aadcbe%VoX#%N9l|@S
zYGUDXx0SQ~s#fr>^57I@*%m*e!c9zki?{F|r+o+3yB~@_>a$qzq$gX4^X6%n+O8b;
zzSwmA*kz&f?)xO%IVGR?J%0N9rq`?DH{Kf`7E3MdIqb{%&7JM%+pq5!KP*2jvZJ0s
zEaLPN?uUY{ckEtrHms9%@tG3lc|$$G|ES?qog9rDs}3ITVXzSRaOvD)!3i5YOpP}^
z@MXwWT0i4)=;vP3WaX}wH*+3!`(I>tZ&%x*xmMz|<#x8Ls!5+c*c<(A3YZH_y|1gY
z+u1N|G@Ww6Dq>aHWh2LF+f~*r=-^Rg@(fTcU)d*vk
zCI(gpAqGK)77&ktfs2KKfrX2kjTubw@^XU&7??S@xp{dxSXelKBHSFz49slYyj(z<
z0m$Uw;^kst;pO1qV&hSJbPLLk;S1qCk0NWP?1%Ulu}*e7Yc)>`mL
z$e>i}^CF3L+Y6RT^(Fcmd{&&I^~9OA)2CYCq>HM-H;%J+@?0yAu453|;ASxMko)mn
g;j43A+H&*mZ;JVmQ(VC-At|Nbpe$X^pvYhi09?v9C;$Ke
literal 0
HcmV?d00001
diff --git a/assets/images/106.jpg b/assets/images/106.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..db4b6bea62732c6f9f114029d4ba604b6fe41eaa
GIT binary patch
literal 232
zcmZ?wbhEHb6k?EMC}%KK{3jKhpH@vk
zW(H0MJ_cTf77&ktft!t)fq|KWjRi<>bMx|Yb8`R%Sh#q(xmbV_Y#@q-gO`^B$YbFG
zD&PXjvv9GnuyAm3aqx0+bMbO;aB%T*v2if7aB;8z4FQ_K!pOwT>aL)`bbWPh6Q);uk*B@)~rI=kH!7))ny`lB-#E
Sy>Gnyk!OEzW4H(tgEauy3owEJ
literal 0
HcmV?d00001
diff --git a/assets/images/107.jpg b/assets/images/107.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..641be22e12e62c7ea3daeac8070bb95ce62b9c35
GIT binary patch
literal 231
zcmZ?wbhEHb6k?EMC}%KK{3jKhpH@vk
zCI(IhJ_cTf77&ktfrWvAmz#^3jhmZ|nSq6imxG0cgO`_!1H|FxWnkvu=H}&Mek
JYc*IHtN|#UEkFPO
literal 0
HcmV?d00001
diff --git a/assets/images/108.jpg b/assets/images/108.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..02ddb02f0867bbdb45bc13e5f98edf6c98c04c67
GIT binary patch
literal 1109
zcmZ?wbhEHbyw0G{P|jee_)jW0Kdq!Zu_)C_!8bFxD8CrURq#(s%S=vXQ2fcl$N&U7
zObqM{ml#wTT0uMp1`cKh1{N+}ZY~xe#m&pX%)-LV!OhLf&B4XR&CSKZ&BDOI%gxQq
z22{bq#lgV=RLjQ9%fZ6J!3)&G%LO!m1!x8XGY1fZ%wpqU0V)PUHWpqEpdxM#HV&Y2
zpl%i*gPEC`fteX-6&nW^8#4zR7Y7T_I-o7g%xqlD%p6=S%v@X?j7-b~5!-)A
zss0m7E-6X~aIq~ld1>LY{KlHH({HQxCnz&c3{W|A;+5#xyxsQ;@=6a*5Rz&<;Jn)H
z{^#n#rskGJ0YRZ4VP*yq(VDP~?%w{^Y13!8iS-1DOJoO$RW7caBQDwKBbCk|EZylm
zZ^6thTerE0td6eTQROTq6E4g+)p_Td?I%w)%chGp_8xQ+*vzme{w%|Jk1MC|-H-6;
zpY5D{!u@*eqg!(xyn7#9&v?m6T<#jvQJ0r7pDxXlm$HdqU#~DHaf#5RrfDoJYXmkJ
zbV@ira^_?Z;N^3gvEjz#tgk)}jLwSvdWKBPOPD9<3O5RiYP`wRY&p5YUFLSJ$&Sk$
zt^dPK{SPd1INz~@TSKW#(~^IQt+hB~j7Oli8belazmG=MDv7`e4<=}d8a-5D5Dl!7
z6a4BSHY1p^K}=CV)YEf;@R!&{W$uT$_NH{-Te&1`akSEHnGFtSHgK>Cd!F3(`IGy)
zIbwQBH;Wn~izlwlX5+rOY~qO}MZ9v6qD~Kv-iXlLckQ>xF*QSdF`e6|{#q5hxWW*n
zJ@vW--$%bKtp;ZwZ+)>(j5CFu{hxPY!$~(*1})w;WzDPS)Gf7C!vTA7Ud&w
ze`4^BvS`0sERW7h`3qhNo|>Mq?tG$F91^qZ&9>L-%8z$y>+f_vmz^&*XYS!6TbnW}-tUk9Al%-|
zAU>z1aT(X2V^&Wj-WcdLXue^a#~;pfkm=UUDGf(N%VpSOv(_EjcwA+3U{K+ro@k?5
IM+OFK09Ig+T>t<8
literal 0
HcmV?d00001
diff --git a/assets/images/109.jpg b/assets/images/109.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..fb2fc12c5034ca2978986b2e521c29e9e54b9efc
GIT binary patch
literal 329
zcmZ?wbhEHbRAUfhC}%KK{3jKhpH@vk
zCI)5(B?f+m77&ktfrW#YmxG0Yg^P=YftQ<`gPDPujhmN?gN2Qon+?d};O6FK08(7M
zyxc$~%q$EH+-w|N+`JrYTr6xLEz)ymvL!&w9#wt{0t|_9|d|3S6mahn%CBKy)8CE
z?{Hwr6bELuld0R6NGE74X`Cj0d;4Wo0ZHDniX185cm_7SXWy`k--`ORQFLx
literal 0
HcmV?d00001
diff --git a/assets/images/110.jpg b/assets/images/110.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..9ec3d0750db4fb9635d93c338354bdd119c4c8f3
GIT binary patch
literal 1037
zcmZ?wbhEHbyvZQVP|jee_)jW0Kdq!Zu_)C_!8bFxD8CrURq#(s%S=vXQ2fcl$N&U7
zObo0HR~dvDT0uMp1{M}BE+FRS<>lsLVPN5AV`kyt<>g>uU|{Cp;$>z7u^3pmfIM!X
z8ZHhNHf~;SZVqO!C<_BK8#glpGc(8#W}p}ckjcWp!NS7A%)reCRK>!<0@MgJnVE%+
zgM*EW186)OGZz~NHycn52N#gd&Be>b%>h)*%)!XSOgv)y@6b@-p(EArk>WT(hmYgz
ziV}$#QR^d8Oi#b9TF=T{A|+S9`1a;sv*YITH(Dq)8mNhIE7_dOI3nxJTF1yQ;N%}D
zDAec^AuLkJSX#~45Rx||HrIE`#7T`w9$l#}{i4ZY^Icbpy9!EFGW4%0fR?-Pj*HIXEb`vdFCyV3t1PUG(6PanXh|oe~!p%+gh4^Hs8w>ijJNWcJ@#31qFemQlKc0!|N1XN+ZE9d@
zxZI@?neFhtDD}DKr9(SwpU%)JTCi-lax3G7i_ocsXHJx_n4L
z^Y7ptnj+h^*6&Sq+-iIMOVs1d$$LGU-p$;{U9a;rv+LvjZi{txb?TW>$Fo0{ShxMm
z$T_)q{;{R2-`-#Tp7mRJ)%Bf|k5w+IRh}!rvFXTEt8|kYSF;0cOj@`qJ*J-)*yS4f
z|9I&3Bk9tX(lyNCjM_cRXJ{3yWxb#roVw+r2#Z+q0!xuA7Z=)UUNbspYHhdiVGKj(
z@*5Uz|B^W-)Mrkeo#mysb>hTL0S7L3Y^^Zzi+Z)hm4ka?jKfJomy;46p=L)HN=*ws
zqa>kPA6gj7a8-lJ%c*cq+H%{4GMOC{-6k15H`u)Of`db&5_GHj_Ex57i;)#u}I)$wHEDAf$gm2Mvo*=Z=sQdM%;E>gCy9C@OdNCYY
b^|3|aLG5ZDJ)uQmRX28hICk4rfWaC7B#v&i
literal 0
HcmV?d00001
diff --git a/assets/images/97.jpg b/assets/images/97.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..8f92f0f6c7ae6b6f61c5e6d1c8442b73eaceebd3
GIT binary patch
literal 624
zcmZ?wbhEHbEN75rC}%KK{3jKhpH@vk
zCI(i9A_gIbRuGSYfrW*O3y8USSr}NjSQvP@xfmFjIk9LzxFY(P;K5Q~MGg_(nw1Eh+Dfti_sg_(_;8E61EP#p+xuyAm2@G>(na{*}%
z4i+|UMkZ#eAh!Pw4Fw)LQvJu88BXR{&A;%hL13*MKkKT}({H&p-ddz6;GiPHt)H+;
z%t)$_{S$-Y^4tEYfr1@7q|@Srgk42M6Dvy#-Fd`9L>S8}e8oAPYbG(UOBBVj&CC+%
zc9WdOkY6|1musbv)Jo^7Sa#`U6^rKjvTa!9E+o_6xOabI$;6l)e)$Vx)=kW3ly%v{
znZGz7IptRE^mdotj+?jdxSaGAlG~XTA-`4R(nbO9l0B2T?m0KdKJ%HnYE7_2!-l1v
za(m;P-YHgXe}7Am>&zYrj)`n@t*kP69uzA-Vr=e9IySL!X+eiW6T^|*)yL0wFjWY-
zZCS|N|Inn8A?D%YWo}HI`Oy(x3ywUSz#*S2y*uK{mV-w+Gq?UzxSF&eW8MnRlc9!T
zYK?xn6T<3jS&t`2X7e9o+VJv}qM>?*jq99{Q=WG<%I9yWI;Ev$iQF?0F8LARsaA1
literal 0
HcmV?d00001
diff --git a/assets/images/98.jpg b/assets/images/98.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..9fa144f0fe1a474e4e1e073b59493b400020c0d6
GIT binary patch
literal 217
zcmZ?wbhEHbvk
zMg~p>ZU!EP77&ktfs2KKg@c!ui-VbgnS+a$i-nn&gN1>Cg^Qb)n++t!%?%V};pOHA
zs^DN|VP;_9t@GLu;>w|+z`|e+0P71TI{*Lx
literal 0
HcmV?d00001
diff --git a/assets/images/99.jpg b/assets/images/99.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..c69c7e0f553084b349525e8119662f5d790f8939
GIT binary patch
literal 238
zcmZ?wbhEHb6k?EMC}%KK{3jKhpH@vk
zCI&VJJ_de<77&ktfr|x5FmrJ6@^Y}SaPTs)aPe|;b1*Y-voSNXar1I>u`qLRbMx|Y
z0mT?tSh#>{K{|lyxOq9)fTAqS49v_dT#QW2Xo%HUL7~e@fX5}VCrMC7Y0`o
From 9da5d829c68e2131dffe3f0528cfdfa49521df04 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:39:48 +0800
Subject: [PATCH 0033/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index fa5ccfe0..414e9734 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,4 +27,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别
+设D是s个样本的集合,具有n个不同的类别
From 655c0028421efe69763aaca4464243195f1c6408 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:40:35 +0800
Subject: [PATCH 0034/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 414e9734..0a17d482 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,4 +27,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别
+设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
From 48336454073a9b3f6b2b21209068af8c0b1f1df4 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:40:44 +0800
Subject: [PATCH 0035/1406] Update DT.md
---
assets/src/DT/DT.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 0a17d482..b57d09cc 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -28,3 +28,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
信息增益算法:
设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
+
+
From 15a267c63b5bdba5b71236826af7d1e951c271c8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:41:06 +0800
Subject: [PATCH 0036/1406] Update DT.md
---
assets/src/DT/DT.md | 4 +++-
1 file changed, 3 insertions(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index b57d09cc..0f783249 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -28,5 +28,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
信息增益算法:
设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
-
+
+
+
From 8a14cfc95d951c4c0d8b8d613e5e9f14c7d2c6ec Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:41:33 +0800
Subject: [PATCH 0037/1406] Update DT.md
---
assets/src/DT/DT.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 0f783249..b35545fc 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,8 +27,8 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
+设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
-
+
From c1f2844dccc00061a8351eb5ac877e689129a0f3 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 8 Jan 2018 09:41:56 +0800
Subject: [PATCH 0038/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index b35545fc..aa6f5873 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,7 +27,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
+设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
From d5a52e08160c15edfb356000e7da94442758b638 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:01:06 +0800
Subject: [PATCH 0039/1406] Update DT.md
---
assets/src/DT/DT.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index aa6f5873..80e2b9aa 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -32,3 +32,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+其中为任意样本属于类的概率,并用估计。
From 0aa5e38dcfc6df3673713e14e1c2c1ffbedb9daf Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:02:01 +0800
Subject: [PATCH 0040/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 80e2b9aa..b9191089 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -33,4 +33,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
-其中为任意样本属于类的概率,并用估计。
+其中 为任意样本属于类的概率,并用估计。
From c5a3820c73f1ef8306783efa78a6f20eb1fb366c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:02:57 +0800
Subject: [PATCH 0041/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index b9191089..6c5403e0 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -33,4 +33,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
-其中 为任意样本属于类的概率,并用估计。
+其中 为任意样本属于类 的概率,并用 估计。
From 6a7d81a0c60444bb3811dea2f06e039f042ac0ab Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:03:10 +0800
Subject: [PATCH 0042/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 6c5403e0..7287cbfb 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -33,4 +33,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
-其中 为任意样本属于类 的概率,并用 估计。
+其中 为任意样本属于类 的概率,并用 估计。
From 10093fdc2d8a228cfef2a61abe460e331d5bb7ff Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:04:01 +0800
Subject: [PATCH 0043/1406] Update DT.md
---
assets/src/DT/DT.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 7287cbfb..94132893 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -34,3 +34,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
+
+
+设属性A具有v个不同的值
From 1e9324f62d1f940d1734ce85e1dfbf74a66ab099 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:05:08 +0800
Subject: [PATCH 0044/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 94132893..150a4f03 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值
+设属性A具有v个不同的值
From a77a58238c475d9ad45db7611abf42755a454030 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:05:24 +0800
Subject: [PATCH 0045/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 150a4f03..98408d0a 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值
+设属性A具有v个不同的值
From 031c63bf2f95f8902822aafe19d1e1556e84dc18 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:06:05 +0800
Subject: [PATCH 0046/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 98408d0a..a6eb1727 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集
From 6958a79d6c98af0d9cd22062e729abb2a4d7a019 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:06:25 +0800
Subject: [PATCH 0047/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index a6eb1727..2daa7341 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集
From 56ecf55b14ef3258112088db7642cea8984cf6f5 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:07:56 +0800
Subject: [PATCH 0048/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 2daa7341..f8fae8bc 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令是子集中类的样本数。根据划分成子集的经验熵为:
From d8df0b55885dfb9c9718c0440629a55de3a01eae Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:09:48 +0800
Subject: [PATCH 0049/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index f8fae8bc..aa62faa8 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令是子集中类的样本数。根据划分成子集的经验熵为:
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令是子集中类的样本数。根据划分成子集的经验熵为:
From 844a9fef87dfaa41fbf312e67467bd594f96a02a Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:10:43 +0800
Subject: [PATCH 0050/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index aa62faa8..9ff1fad0 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令是子集中类的样本数。根据划分成子集的经验熵为:
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集中类的样本数。根据划分成子集的经验熵为:
From a355034daf27b85e130d4221aca4755f7413e3a2 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:11:55 +0800
Subject: [PATCH 0051/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 9ff1fad0..c0ed2ad6 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集中类的样本数。根据划分成子集的经验熵为:
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
From 73afe398cbadd12e0d1f6a183587c24cb2252961 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:12:21 +0800
Subject: [PATCH 0052/1406] Update DT.md
---
assets/src/DT/DT.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index c0ed2ad6..019e2f76 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,7 +27,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
+设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
From f674a3cc081bb8cca2b71efa1e706ad3e859a90c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:12:49 +0800
Subject: [PATCH 0053/1406] Update DT.md
---
assets/src/DT/DT.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 019e2f76..5a91680c 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -27,7 +27,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
构造的思路是,如果训练样本集合中的所有样本是同类的,则将之作为叶子节点,节点内容即是该类别标记。否则,根据某种策略(如信息熵或GINI系数)选择一个属性,按照属性的各个取值,把样本集合划分为若干子集合,使得每个子集上的所有样本在该属性上具有同样的属性值,然后再依次递归处理各个子集。这种思路实际上就是“分而治之”的道理。
信息增益算法:
-设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
+设D是s个样本的集合,具有n个不同的类别 ,设 是类 的样本数,那么对给定的样本分类所需要的经验熵为:
@@ -36,4 +36,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
其中 为任意样本属于类 的概率,并用 估计。
-设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
+设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
From 388306dc1c53d424a5a8a6e97c057617a017b518 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:13:16 +0800
Subject: [PATCH 0054/1406] Update DT.md
---
assets/src/DT/DT.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 5a91680c..db78cc31 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -37,3 +37,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
+
+
+
+
From e7729d231dc838b3180fb7eb6d12228ef4588f0c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:14:22 +0800
Subject: [PATCH 0055/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index db78cc31..f22e2615 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -39,5 +39,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
-
+
From d1855184dc22cad101d735896ab577c1ce36506a Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:14:35 +0800
Subject: [PATCH 0056/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index f22e2615..d1da4aab 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -39,5 +39,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
设属性A具有v个不同的值 ,可以用A属性将集合D划分为v个子集 ,其中 包含D中属性A上取值 的一些样本。令 是子集 中类的样本数。根据A划分成子集的经验熵为:
-
+
From 4aff009cddf7c5e4fcc4a2ccb8a5702af81d028b Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:15:15 +0800
Subject: [PATCH 0057/1406] Update DT.md
---
assets/src/DT/DT.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index d1da4aab..3d348af9 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -41,3 +41,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+当 熵值越小,子集划分的纯度越高。
From c0efdc3f73d8d93bb5097d381bc7116062fe1187 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:15:27 +0800
Subject: [PATCH 0058/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 3d348af9..f35685cd 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -42,4 +42,4 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
-当 熵值越小,子集划分的纯度越高。
+当 熵值越小,子集划分的纯度越高。
From 5ced6611922c7dacc6901ab187ec2fd21defb94e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:15:58 +0800
Subject: [PATCH 0059/1406] Update DT.md
---
assets/src/DT/DT.md | 6 ++++++
1 file changed, 6 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index f35685cd..377ba449 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -43,3 +43,9 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
当 熵值越小,子集划分的纯度越高。
+
+在属性A上分枝将获得的信息增益为:
+
+
+
+
From debcd0cdd44e3ebdf1eb0d94070a2cb03cd4e403 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:16:17 +0800
Subject: [PATCH 0060/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 377ba449..54e29875 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -47,5 +47,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
在属性A上分枝将获得的信息增益为:
-
+
From e9f4f8ee8fd1e0689ab5a60e10d28f4557754b0f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:16:29 +0800
Subject: [PATCH 0061/1406] Update DT.md
---
assets/src/DT/DT.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 54e29875..1638a196 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -47,5 +47,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
在属性A上分枝将获得的信息增益为:
-
+
From feb23b50e6ff0a8f4e062b9b8445c781b0ac4200 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:16:56 +0800
Subject: [PATCH 0062/1406] Update DT.md
---
assets/src/DT/DT.md | 8 ++++++++
1 file changed, 8 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 1638a196..72a17b77 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -49,3 +49,11 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+通过比较各特征的信息增益值,并比较它们的大小,选择信息增益最大的特征。
+
+决策树的剪枝
+
+剪枝是决策树停止分支的方法之一,剪枝有分预先剪枝和后剪枝两种。预先剪枝是在树的生长过程中设定一个指标,当达到该指标时就停止生长,这样做容易产生“视界局限”,就是一旦停止分支,使得节点N成为叶节点,就断绝了其后继节点进行“好”的分支操作的任何可能性。
+
+后剪枝中树首先要充分生长,直到叶节点都有最小的不纯度值为止,因而可以克服“视界局限”。然后对所有相邻的成对叶节点考虑是否消去它们,如果消去能引起令人满意的不纯度增长,那么执行消去,并令它们的公共父节点成为新的叶节点。这种“合并”叶节点的做法和节点分支的过程恰好相反,经过剪枝后叶节点常常会分布在很宽的层次上,树也变得非平衡。后剪枝技术的优点是克服了“视界局限”效应,而且无需保留部分样本用于交叉验证,所以可以充分利用全部训练集的信息。但后剪枝的计算量代价比预剪枝方法大得多,特别是在大样本集中,不过对于小样本的情况,后剪枝方法还是优于预先剪枝方法。
From eabc367e2034703c2ddc4193fb79213dea8add17 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:17:46 +0800
Subject: [PATCH 0063/1406] Update DT.md
---
assets/src/DT/DT.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 72a17b77..165b7ea6 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -57,3 +57,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
剪枝是决策树停止分支的方法之一,剪枝有分预先剪枝和后剪枝两种。预先剪枝是在树的生长过程中设定一个指标,当达到该指标时就停止生长,这样做容易产生“视界局限”,就是一旦停止分支,使得节点N成为叶节点,就断绝了其后继节点进行“好”的分支操作的任何可能性。
后剪枝中树首先要充分生长,直到叶节点都有最小的不纯度值为止,因而可以克服“视界局限”。然后对所有相邻的成对叶节点考虑是否消去它们,如果消去能引起令人满意的不纯度增长,那么执行消去,并令它们的公共父节点成为新的叶节点。这种“合并”叶节点的做法和节点分支的过程恰好相反,经过剪枝后叶节点常常会分布在很宽的层次上,树也变得非平衡。后剪枝技术的优点是克服了“视界局限”效应,而且无需保留部分样本用于交叉验证,所以可以充分利用全部训练集的信息。但后剪枝的计算量代价比预剪枝方法大得多,特别是在大样本集中,不过对于小样本的情况,后剪枝方法还是优于预先剪枝方法。
+
+
+#### 应用领域
+决策树经常在运筹学中使用,特别是在决策分析中,它帮助确定一个能最可能达到目标的策略。如果在实际中,决策不得不在没有完备知识的情况下被在线采用,一个决策树应该平行概率模型作为最佳的选择模型或在线选择模型算法。决策树的另一个使用是作为计算条件概率的描述性手段。
From 26f173a0b83b4067d52323e881806fdbb6fc4f1a Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:18:14 +0800
Subject: [PATCH 0064/1406] Update DT.md
---
assets/src/DT/DT.md | 24 ++++++++++++++++++++++++
1 file changed, 24 insertions(+)
diff --git a/assets/src/DT/DT.md b/assets/src/DT/DT.md
index 165b7ea6..4aa52504 100644
--- a/assets/src/DT/DT.md
+++ b/assets/src/DT/DT.md
@@ -61,3 +61,27 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
#### 应用领域
决策树经常在运筹学中使用,特别是在决策分析中,它帮助确定一个能最可能达到目标的策略。如果在实际中,决策不得不在没有完备知识的情况下被在线采用,一个决策树应该平行概率模型作为最佳的选择模型或在线选择模型算法。决策树的另一个使用是作为计算条件概率的描述性手段。
+
+#### 优缺点
+
+优点:
+
+1. 决策树生成的模型很直观、简单、易懂;
+
+2. 决策树对数据的分布没有特别严格的要求;
+
+3. 对缺失值很宽容,几乎可以不做处理;
+
+4. 不容易受离群值影响;
+
+5. 决策树可以为其他模型算法挑选自变量。
+
+缺点:
+
+1. 决策树最大的缺点是其使用了贪心算法,贪心算法局限于其寻找的不是全局最优解。
+
+2. 决策树处理不了连续变量;
+
+3. 决策树缺乏丰富的监测指标和评价方法;
+
+4. 当某些自变量的类别数量比较多或者是区间变量时,决策树会产生过拟合的危险。
From 46ba52ed349b601e49dc95b0b97a21ab7b23f31e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:20:32 +0800
Subject: [PATCH 0065/1406] change page of CAS
---
assets/src/CAS/CAS.md | 19 +++++++++++++++++++
1 file changed, 19 insertions(+)
create mode 100644 assets/src/CAS/CAS.md
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
new file mode 100644
index 00000000..4eef9b4d
--- /dev/null
+++ b/assets/src/CAS/CAS.md
@@ -0,0 +1,19 @@
+### Deeplearning Algorithms tutorial
+谷歌的人工智能位于全球前列,在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗,覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习,新产品进军家庭智能音箱并打造工作站级别Mac。另外,腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品,在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现,虽然入门艰难,但是一旦入门,高手也就在你的不远处!
+AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。主要研究计算机怎样模拟或实现人类的学习行为,以获取新的知识和技能,重新组织已有的知识结构,不断的改善自身的性能。
+
+机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。这些算法是一类能从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。简而言之,机器学习主要以数据为基础,通过大数据本身,运用计算机自我学习来寻找数据本身的规律,而这是机器学习与统计分析的基本区别。
+
+机器学习主要有三种方式:监督学习,无监督学习与半监督学习。
+
+(1)监督学习:从给定的训练数据集中学习出一个函数,当新的数据输入时,可以根据函数预测相应的结果。监督学习的训练集要求是包括输入和输出,也就是特征和目标。训练集中的目标是有标注的。如今机器学习已固有的监督学习算法有可以进行分类的,例如贝叶斯分类,SVM,ID3,C4.5以及分类决策树,以及现在最火热的人工神经网络,例如BP神经网络,RBF神经网络,Hopfield神经网络、深度信念网络和卷积神经网络等。人工神经网络是模拟人大脑的思考方式来进行分析,在人工神经网络中有显层,隐层以及输出层,而每一层都会有神经元,神经元的状态或开启或关闭,这取决于大数据。同样监督机器学习算法也可以作回归,最常用便是逻辑回归。
+
+(2)无监督学习:与有监督学习相比,无监督学习的训练集的类标号是未知的,并且要学习的类的个数或集合可能事先不知道。常见的无监督学习算法包括聚类和关联,例如K均值法、Apriori算法。
+
+(3)半监督学习:介于监督学习和无监督学习之间,例如EM算法。
+
+如今的机器学习领域主要的研究工作在三个方面进行:1)面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2)认知模型,研究人类学习过程并进行计算模拟;3)理论的分析,从理论的层面探索可能的算法和独立的应用领域算法。
+
+#### 聚类分析
From 2d06e93da798ba2e7c44e5a930a9c0956aaa1fa7 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Tue, 9 Jan 2018 09:21:41 +0800
Subject: [PATCH 0066/1406] Update README.md
---
README.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/README.md b/README.md
index e10923f8..0154d86f 100644
--- a/README.md
+++ b/README.md
@@ -59,7 +59,7 @@
* [KNN](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/KNN/KNN.md)
* [Hopfield神经网络](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/HPD/HPD.md)
* [决策树](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/DT/DT.md)
- * [聚类分析]()
+ * [聚类分析](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/CAS/CAS.md)
* [关联规则]()
* [支持向量机(SVM)]()
From 96e4248d982b91f663d21e6f818a86225e82b3d0 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:15:08 +0800
Subject: [PATCH 0067/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 4eef9b4d..f412b783 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -17,3 +17,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
如今的机器学习领域主要的研究工作在三个方面进行:1)面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2)认知模型,研究人类学习过程并进行计算模拟;3)理论的分析,从理论的层面探索可能的算法和独立的应用领域算法。
#### 聚类分析
+
+聚类分析(英语:Cluster analysis,亦称为群集分析)是对于统计数据分析的一门技术,在许多领域受到广泛应用,包括机器学习,数据挖掘,模式识别,图像分析以及生物信息。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性,常见的包括在坐标系中更短的空间距离等。
From 17dee479472f03775ae0023f543d2ca58c3215e0 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:15:25 +0800
Subject: [PATCH 0068/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index f412b783..e053c4af 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -19,3 +19,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
#### 聚类分析
聚类分析(英语:Cluster analysis,亦称为群集分析)是对于统计数据分析的一门技术,在许多领域受到广泛应用,包括机器学习,数据挖掘,模式识别,图像分析以及生物信息。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性,常见的包括在坐标系中更短的空间距离等。
+
+一般把数据聚类归纳为一种非监督学习。
From 7b894452bad05692461910d408250ccaa810bfa7 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:15:43 +0800
Subject: [PATCH 0069/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 6 ++++++
1 file changed, 6 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index e053c4af..adf82395 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -21,3 +21,9 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
聚类分析(英语:Cluster analysis,亦称为群集分析)是对于统计数据分析的一门技术,在许多领域受到广泛应用,包括机器学习,数据挖掘,模式识别,图像分析以及生物信息。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性,常见的包括在坐标系中更短的空间距离等。
一般把数据聚类归纳为一种非监督学习。
+
+数据聚类算法可以分为结构性或者分散性。结构性算法利用以前成功使用过的聚类器进行分类,而分散型算法则是一次确定所有分类。结构性算法可以从上至下或者从下至上双向进行计算。从下至上算法从每个对象作为单独分类开始,不断融合其中相近的对象。而从上至下算法则是把所有对象作为一个整体分类,然后逐渐分小。
+
+分割式聚类算法,是一次性确定要产生的类别,这种算法也已应用于从下至上聚类算法。
+
+基于密度的聚类算法,是为了挖掘有任意形状特性的类别而发明的。此算法把一个类别视为数据集中大于某阈值的一个区域。DBSCAN和OPTICS是两个典型的算法。
From 365dd8c9e130b0a82317b7de14bdc000664eeae4 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:16:00 +0800
Subject: [PATCH 0070/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 10 ++++++++++
1 file changed, 10 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index adf82395..ab7312fb 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -27,3 +27,13 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
分割式聚类算法,是一次性确定要产生的类别,这种算法也已应用于从下至上聚类算法。
基于密度的聚类算法,是为了挖掘有任意形状特性的类别而发明的。此算法把一个类别视为数据集中大于某阈值的一个区域。DBSCAN和OPTICS是两个典型的算法。
+
+许多聚类算法在执行之前,需要指定从输入数据集中产生的分类个数。除非事先准备好一个合适的值,否则必须决定一个大概值,关于这个问题已经有一些现成的技术。
+
+在已经得到距离值之后,元素间可以被联系起来。通过分离和融合可以构建一个结构。传统上,表示的方法是树形数据结构, 然后对该结构进行修剪。树的根节点表示一个包含所有项目的类别,树叶表示与个别的项目相关的类别。
+
+层次聚类算法,要么是自下向上聚集型的,即从叶子节点开始,最终汇聚到根节点;要么是自顶向下分裂型的,即从根节点开始,递归的向下分裂。
+
+任意非负值的函数都可以用于衡量一对观测值之间的相似度。决定一个类别是否分裂或者合并的是一个连动的标准,它是两两观测值之间距离的函数。
+
+在一个指定高度上切割此树,可以得到一个相应精度的分类。
From d6313b4ad63922830534522dc256ad126f8ca4d3 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:16:22 +0800
Subject: [PATCH 0071/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index ab7312fb..16063dac 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -37,3 +37,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
任意非负值的函数都可以用于衡量一对观测值之间的相似度。决定一个类别是否分裂或者合并的是一个连动的标准,它是两两观测值之间距离的函数。
在一个指定高度上切割此树,可以得到一个相应精度的分类。
+
+
+主要可分为:划分方法(partitioning method),层次方法(hierarchical method),基于密度的方法(density-basedmethod),基于网格的方法(grid-based method),和基于模型的方法(model-based method)。
From 56f71a2b8a5e17d6ae1ad44ebe19cd708da9021d Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:16:41 +0800
Subject: [PATCH 0072/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 16063dac..ba550d79 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -40,3 +40,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
主要可分为:划分方法(partitioning method),层次方法(hierarchical method),基于密度的方法(density-basedmethod),基于网格的方法(grid-based method),和基于模型的方法(model-based method)。
+
+分层聚类算法原理
From 81e9b6b6061da03b2b29e33b7fd9b86da787a246 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:19:17 +0800
Subject: [PATCH 0073/1406] change page of CAS
---
assets/images/111.jpg | Bin 0 -> 13390 bytes
assets/images/112.jpg | Bin 0 -> 554 bytes
assets/images/113.jpg | Bin 0 -> 1287 bytes
assets/images/114.jpg | Bin 0 -> 294 bytes
assets/images/115.jpg | Bin 0 -> 697 bytes
assets/images/116.jpg | Bin 0 -> 684 bytes
6 files changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/111.jpg
create mode 100644 assets/images/112.jpg
create mode 100644 assets/images/113.jpg
create mode 100644 assets/images/114.jpg
create mode 100644 assets/images/115.jpg
create mode 100644 assets/images/116.jpg
diff --git a/assets/images/111.jpg b/assets/images/111.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..f86ac774036a2032c4505371a9fb0fd0f7b63662
GIT binary patch
literal 13390
zcmeI1cT`hbnD!67DuRTLAXR#iUPY-QUAiD80RjXNLKhJfDN=)gAXR!35JE?!g9u88
z(0dII49I(Kx?-1SQ5Vq(@HYWrK_M|IK}jiL
z31%S?DM2AAK?&eLssjK^01UtYD1dPwn144&Xzbu{7byV&CpUgeu(K6}-`W`_;AQC|
zAjB^y0LaLDxma2|K;X<)5L>8|Eaz5TBPTNyEX!#qsv)T1at~q$RrPU&==o?qwDxhZ
zmIQOk%UvOs@sjd_xxgTBOJ*;aqm!GImn_Tg-lZ_{uWA7nIT=^5jg+pU@}Dg*XR<7R
zj>Xf{li%|;zq6~YfRLo5q=2BXfUqzhrUjpyw-embi_gi8_0J9zA#T>LP!~AV*@^jA
zhn7~(?r>QacXudQ%Er=0)Cvq1<+HN94dxRP0$cJ~f^Q4)fp6aii;D_L2-^r*vHY1H
zZ2ebu7k5|3-?_oo0uV@(D`v2}?Zu*JAO1b)HzHv|2z9r=HXmYfXOTFUy@*qvSfNUsNZ
z^8Ys5j!?PZ=J^kKn6p0uOuv{#M?^#l9h>{9;P
zsQmN5!p6bH!zUmlA|}B!Kwbl|v2bv(adGhQa4}nySbmuI0bFuCikm_T_}6tT30R&`
z3J1hw5VGDaYXa%^ZL{6Bat$ORrlO{yrDNydyv4;WA}S^>At`lFQAt@vRqejsLwy57
zBV!Y5FvP~z4r=cPclYr0^7eW0GU!!sNN5-$_Dx)T!rR28_nBGQIk|cH1s}^Rkd;-{
zHMPwxt!?ccon2r02L^|RM@Gj`vvczci%ZKZt7|(ycK7xVejXkj|I&p8;QS%$FJ=Eu
z7db{3HZCp>F2OHdSlFJJf7>b+@Q(|>p}sfI9Qm;!yyOcfn((`o}k#d-YCXT*{&ifjwq;j
z;PCnEMytAWN_EW3@FK%y2EYhV(-u@4Zd&quXviuaSuysi&^B*Xsvdi)1)XX-?&Mo%
z!}~5%bu8Ic(vYx)mDw#EP12FdR9?}y$8=>S>1(P@3}`VT%j4**i3BOr#lU}umG`lo
z4AsOP&i$hcAYqA2YklCf_dIOL>8Tb~;dc90s}JweclBI#8Hz`F_|$}>q{7PjuL!$n
z8P`&S{2;Srz)FuVL`Ev;R41WaaoXL}YlXI{t6No-JuwoW$O>R%G(kJJUjPe?^;?Jj
zEh%xJB@>%6YwFOa4)fl7?PYXkZ#-f<*zC$_S?}=%j1iH#^xa}EZ4PHJ)W}tHOZSpK
zu{!A8G8|kE;&(O}u}#`gzMmd5bT^$1k04zFFZ4_8{jK9q)2}jyyN^*9!0WPsKBFXp
zFqn)6gQt{i!`EYYX{erdGof*$yod1kYtkQg(YWMwF3hkYk>NQF*}yO!veswZ729PM
z3Hp`Qru3olv;u=23*)yL1QHWSu{ddo?`(zL6Tem9W0QUySExBm?V(;DGQ6s9qO>u4
zk0O0J6J|N7#8I4cuW*utu
z*0!9-Zz4=hiwi5f`y?Ye83TBtWv@IOJoR+QUORr3$PrsGVK&yn&;`okx^2d@`8h&=
zH>Rw-UO?+fZ1M9o%s}Gv@#Cxy>Z&)VWP-*WpnTm67eErILhv9XN8Hk8m#YKfCn-e@b_n}|Ju7rO`#9({6MT_LoxB_Ep
zZtkNo-URKaTc&K~oG7f%OtsRH4^Qi{pRKU=mpHSQevDspPn-{Nf&>yIe(SqN<(!V6
zUub^D7^-ZI_uyle1GEI+gP6q2=S*2EUvP%ZP1mciozDLSdLw6u`BR(#
zKVs}kcA-XDN?>5C3%=@n{z`f(7wOdd>ika}sAf^4=@!)TxX8=h5g8R
zL8>ctRfwz9ixSA9rwXM5*WGhc^6Y2fv-v#-ps1f>9nxSq>l`;^X<^MLy^aTIBm0ME
z-%2+wfRgndzm>I>57Ih^vAL_LAY}QfNpjiL=(};AEF%LRBr$z=6g(h2*aeFaH+Hp0
zpjB2yH)=Kr-TS7BO6tu{Ym7oQQHyk*5SKFRSLQf8wWfs|d(s!cW0%+m8@E1aY47mA
zp7BkgZmB$0T05(d@o<42fLpWm-$9)yufLf7wDh@KUtvdG^MrCl*ACUHGiL4=r6WLk
z2f7I+lxbPA4E{>C`8qm_0$>&J1T*sYPKE8F@3o&(Zf}J=)hg)8u`l$`z2^WrU5DPh
zepA@n7mFE&EB7eKT;;1*v6_sTLt#!y)>+_r`>aTNUC5MT9{){?FN}Arx&tK*iCb91
zLhtuEA8#E|#x2^O`5Q{1cmlR@?BuQ;%D=adfH~x59lIALkii^rCcgCL(GrTQZfFwd
zs^vL;NZ+Aut45MU(7}Y~@Ag0XcF;Mu8<2Pbc#yPzC4Q-H(s7(u|Z~LeqyFdIsN)%ZSxySx#&MH*=V;=imgc_}N*Jm2!>;*t)
ze3*O}r4g~4!JnYHPWPIYGTJI(`Q!-KQhYwpg@&T|yTIVe%KMKp8gsYm`Le|FJt3ZM
zw&Xpn@l9l7^INR=5Ox*6x+vt$q&)+V*dmTn_W0r9S;ux#YF9_{Nt{!i=WUfIAM+&f
zJaLj@4F+xw?JXk{7ebOn-0rr4gE}VNSu+T>Wv?o*1j9*m(V(E2Nmn!f7Qsm~^a)s4
z-N7B{5hcYbRD)B>?n;nRkdzjQhBrLc9$@QtH+@|vVV%fQ5yat;?KetZ@X1w7%rj_p
zQ`o(fQ3<4_JH*^y^lZeFal9kC4hCbdd75^>V&L3CQ?xEXvzqX;%%sVom={qw1l{8q
z)n@Ya3e5Y-rc({CsZ)AlF6O)LOm!&bU}kVY;=TX4yvO!>L7Sl9moZ2Fr9~CI%AI7}
zq;*jeHGv}3lyo9Y@g)J`dhmGa-KuSbMCXESIKwqQ{ZsUj|65tc`V!2&CdMXgzFySY
zH`{C7q!iiMQ2)IjMT9+Vrsg{QQ=<+JWqbLF7}qL0k_20*wvJBfk<{p|_vQ8Xd||m>
zwt5YX5$wpSig@G97*C$}8SJW?g!7bH8}AtOQOXgZg;c)noHWaAy6=yn9vXSjgW)Af
zjgL;1F_>E)c`^iFZN@rmzc!}`byK=92ox|E0bZRRJ0PwN*D9EJtygr$WO)>yDEhGHY{_Ga8GKv(!hHv8uEN*CQ~C36L``xm|GC=GdLr|FyKWL-B&
zOdSq429G@Yd$J}K*}w!nHZk8>o=-FDz4{{l=sCxZVF>ku`hIvsQnH?dI17rTM;12P
zJijFUGHVBE%EoGe^L;LI%5u7M_160^;CK1pd}jw3In^jqB3|>zRDEJAifkT#d*j~j
zQAnq87s`;i6cGIKBI(->Sh=Oc{Q6)~!bZQ@W6>0Je@Y=Q2Q9G@r%iW2xh&1j&q$?#
zZ~LRtN6&(xN|f4I=9YP0JZ%Z7H+JHaqwT(+&eQqR-SX5!2JE@6oJ2O(5`>@4ceZQg
z_NknTFP`6V@tk7XQ5t#8FA6X3$JR(sk?xiXuc3&oPd;LT3$^>qCtr;-Y`Fp2u?h9d
zP;-Z7%J>+(gjWi!>Bh1~WIw`j5+sUHSdM7j4QEn*ACxmad;y%sf=U|qtBzQ|Ra^k1
zYbNqdbt$YSpx9(YxiRaREWB9y}$!Db8w
zq=T^DlFoB}684vpX^;mlfES0!2Eo=vUh?-#w@>Jyu*l2<2ZC1~yGoVIZxW_yX&=&y
zMShN+i6*dQJWI~o0!>`aZ+v2mMN$^_$$K7(%XC-JuBNoSA%04|Tb2I?N=pnsUa+0B
ziT+K@k7NpA$)%e7dIC^Kipj?55c2I!C;9QjAz=H)l=`wsQ&&~{Y39kdw?hxEfs|GO_Vc-@=9ioeQtOKB+8lx;h3p(v%uY
z*0(5}mA}%I>_Z0OzE|!_yVs_0q;74*Qp6Mh*b!X`^jYT5?!_cqvmi^hiYvN_N(3O}
z3dEZp^4$}$pBcN_^oJ_cVcJB*Mbvq(B%Cu9mOmFMSVRrE5)9-htQz!x!K(_S(vpN7
zy#2ZXws>eEw$#P9scGkvZo+WmWzyEGiehY%C%J63pE6~qGN68}?Cl)UodzIt5@yFr
zujaI3xDR!(P3aDQL-FH!-ADF@gv_IAKZ^TB_08`z@zO@hs&In7>nKl;O|8UV{JBLUeXUr8^YE|ilJGdRove`OnrTMlKDkH
zxD3C_F4JOSq24yr0aaNtdlEr0t{KnBe}YEP*LB^rl{3xxOvTB_B>BzJxCXv&dfFv1VICyN(8|60#Q@{6pbAe9$9q-FEEt30v
zYFFvWoP16@Ea|IJT1a?>{-bv^<^IiD2QUYWKN*vI=0B&k*1O_rNecUm!~=m+sK(&O#rsZ&lc%Qp=8VR(uL*beQ>_y6Y~Hi{ybZz`SHRNGGZgs
z@ky$h+Cg44gglL3{SEZt{rpG;uKJx$?G726S~ZbE@qYP_a}mXktyXN2y~XJSm5=JV4QO%Dc-GG}g$BZx
zQ{x8vRBXq!WzM%+Zg8d8G&jLb3Tgn)qPldFnN^ko7v*B(c!6bTUX1&+!nw|N3!IRN=IO
z19iyWpj!M~(^x;jRK}!nU{yjD`3|4G~VV}xeCdapw+7Ge#}8S8-NnzTS+*IHegXcRTwnj;C=2KQiVeD$~CrlFivr!STm{A*>s`Uc_7*O(|L
z9e#SC96eN8wye3^d|5lAzP`*8eBR>O-Gv+JB8T>@7*UKDi&QdH!80}jU-Jp%27f4C
zKg?;=jV-VHamshDx@$(QIOHxL?0?mH4_;pF$BiOMsAx#ch4bEQG26Cx1vBW5I{
z&FRpv8C98Bco@HBUWcrcYF%09rEhUG3WTA&ln6YA@Tz6XBsu-nzKi%_bFqA{c*iI#
zX$lXub&L*{%eqA?nqi`me_yNN0-&%;Qu8>IpY7#o>haI^;up9&sss}&$v~GQ=xb0Q
zA#6q0MV(O6=YsRNfx?6mHM8<$_MaFB-HkY^tE&4qKbZXBA`wr8L~})hKI@y!j#{KO
zhLgGtc$3oyNQTPHWaGY5p2=DW-*3M&k4hihNYfcus0=$^YMRJ5eW&|g@n*oh>&Js8
z+-nLf*;UV+8b?kg&;z;qn46_*Qg8^e?fWM3%FPPo+cmTUu1Q4KkHt{>ZZ2{~gI(H~
z(p=B4T5J{u(;@J6v{T>S^JtYE^X47%UKp_@KBoDy44QsgA-;d7h
zv5hTYSlwlNN*yq)sQA@h5^v}kasJKFwi4l%D=
zt$^RG73UOFQ1Anv$l~jhHA#sNfnj3j4f3777l3)ThSq}@2IXQ^x@Ic07URYIi+s)c_@a%3A(tyq9HQ>EuD(OVDcPT)NItTAbAN~w
z^;`f%@?*%7@(TcbgfZTs@`+36_NEJfiDr3gdDH)@^vLb`yi=VbE$HkdUj>n6eE?fS
zRdqE&vQrI|{DJ&)NDvnyYq8A-kFqu+S*48)A^);AOpEg!cM;aaEwhf^C{CPgN0T+5
zqExBIfovGR20uL*A%t7xlo352`sOsl6j8mrC?7Pb*OJ6hBSNumBA1re<($U8iPqJl
za?$MnJfFV0YVy!KWPZ6exb-o)i2lG**jmSf@>p%}jA*GNL=^uGg{CjGQ9i>vn!y|m
znX<^@o*v})3qX&TdKb098PVGO
zYMN;OX1xPGdbIo)ll_!D^0ZOhW-?b!*}E6r=wInO1he_s>f;ghVe)kZ_Gs%Dc$f1H
z#ZWzxSQkG}r}n9F-w`z>GSk5Rjzl{{xm(*#5yVp~l|HG(AJ+6VVQ6Psqw>NpW{LAy
zcb~`1AKvL*V&il28aCz^{YGN9N#QH2e4y0$vG>7t(bZ>`Q-UYr9+KLwSIJBcw!389
zx=3NXcS05*c+oeiWy=H7vV|OB6zA#-$RMZ12y5Q}8VV^cHZG?uY)yiiTtCD8QqQAv
zS+&oA1u2&C4~JtJ;d(v$VWG}&{g@BhAl5uq8M@*^QwKK(I(U-VgphIjx8=-sQ$$4I
zXTgbvQo<(Y-Eq3**_=2(cfQHR$=T|ZuZXva`r<-eC}IS@77)8H@_ZxjUw=&fH@{wt
F{R{u&5?cTO
literal 0
HcmV?d00001
diff --git a/assets/images/112.jpg b/assets/images/112.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..f029e05394f10c020b7403cebb6acf9d1920193d
GIT binary patch
literal 554
zcmZ?wbhEHbbYakCC}%KK{3jKhpH@vk
zCI)5(I|g-zRuGSYfrFWai<_61i-Vb&gM)>cnVErwgO?d3!^{Dsm^rwCvfNxO3=F*7
z+}vzHAr@W^7H$p}1{M|;pfndRNREYznS}*t5>S+bg@cQQ1*n#ngM*8Wg9RwX#?1hd
zX5eB0+QG}n#7q^$_TQnQz(Yr>|HP6Y4ndx27gmUPYDn;PtSpwJtap=`xzuC1bBha~Otye*y4-}dt7}*6auQy!)-!Jo*R*}Bx@YmobDut3
zEF7tD;$rbm2F1PCGx(GkSeD!^>QolI@FZrN{7R>`j;>eU635*_Cr|a9J#WsTSBs9F
zbw2FvzrUG7SZNOH$*|@emmgn$U)R0iU@5U6Q6W(2uB+zdRkcqhW#9JDy?>-sTdm)F
z(X_)KTpBc6=k5+uVw|v0W9d9o%~FYqc`Z)I9tWs~?vRa5di4B~o7;S;nFf#Ua<24<
RE3#_2dcw!wsUH~e)&MRSlC=N;
literal 0
HcmV?d00001
diff --git a/assets/images/113.jpg b/assets/images/113.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..d25ea3611da7fb9a87129276d7713e09d271fc55
GIT binary patch
literal 1287
zcmZ{dc~BDv6vj8%&ARTgnuJRNwF#nJK|!rn9NTaNNKg;~(Hb;}#E1|Tk%*)%fe?^G
z4uPmekA|Bm?%~n78Bvh+;Jp4=GaL>GW|uOBjFJMYXKqw#IVT#46sPHK+0DI03ZM&
zFodHB0HHXBArJ^cC+|=-PUf-h)JHdB9>qCQ{7N?+{5>0ZYsf~oSm}AlTBxOC3kKg>U_0O`{Hjy
z>tA<-8?BZnBqb|Sl%Z4-$tX4JTy{=8P7~!8sxDj%g6PKbOC_ac5@~uJ0|%+=&%O
zV(AT46-_rKHv(#|94Im|^}x+)n>C%GE!FpB8Q$iPy0lLMyLo>c=vcuszuP~SdzMuE
z^Kts`K7;KRe}+&Q1>Qp*uqA1jhfgQZeemi?e{+4l4HS(ZSh*+mjlFO1T2&)uv{sYc
zFJY#J`V#pKLG3ywS0+K;q_+TNY_c)ET4=E~Qmk#Cjbb7IO{+G5&D
zDW9d2+ZJQ2RGDF8_A)26lL|c&nR-5ug>$TqUeFsu343G=w7RK^)Yv-pQoR!9)0-HI;r~G>H{%wwDslM?tn;7%1
zHV1`S8b!e7`calQz(EsATjT5sv!t~b>V`XPyyN$3K29|iWoc%U{Gk#|SjqNT)-Gl1
zE~OYP>V=+Ux&>blV!pjrH5?Io%BDYV8XnU_aPKQ=_6G%d0;;
zm;?;ZJIQuxW-6M`*7-@J)V9U^8WJZzKz<^)*O^*fmYZPaEL|*2JR{hae>E3Ne$3(3*PpN&Sn-s}%&mn<(-HvB&7?*!I%ulW#G7HwfPA;I>
zxHn&+ZF3EPG9rdO5;4Jc#i(iceB8*%eUZ&Yu|moC-h{16r782J)53YjGqcD(H&!ck
zh0%{ATM8ZDWqAW7jrMB-V3!$NE;s!0wOtMlUtGv#fu{>8>eD=an7@OAxXWt2GdJ6s
z_Fbp$P;lAYv&f2cp?qCXk2AP|GdNjJZH9$I!Qu$H_8=u?jw9~-yrvXtlIYHH$UQwO
z6}@FuG~Jk9m1f&ryr2>HIRMcu{e`^nld9;h#k7pwt#NO
zwJ^1E*J@h535e;%8O+FldKzZ=xzo3`0c7U)FFiivyL;?iPPv8mXfdnmUbtM!Rb(o9
zJSPjBPON%4&}d?J%#9y-ZxP)}T|EOAO;VtEWcPX`A~#m0r%BFiglkp*uDChdvy~*V
iFnOZ%y5A%1t2~M8^o<9Xl)&fpEk|h(u=QX4{PLv$
literal 0
HcmV?d00001
diff --git a/assets/images/114.jpg b/assets/images/114.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..8eec4ed4b57de240847899fde0e16cfd882df377
GIT binary patch
literal 294
zcmZ?wbhEHbRA!K7C}%KK{3jKhpH@vk
zMh0dEIR+7i77z~vm^rw3dAT^4f#M7-Tp$Ju7dJ06GY2;}7Ym5w
zDH~7-q?MbE8AtZ|DzC~(0DO>`qtM)DXz3%OrV`jR~8S*yop7bz4
zdv4KzdmENYDhVmy*STq9!`a2USkU%gRz&XMj|!8QtXH{dvk
zCI)7Pd8PHWr{JZf;%{4xj)72NyR7NQN1tjsvKkg#~CN8#5ONF9$Qw1TGdfAkD(d!NJJH
zOhv@@-=U$v!i9tFh)P3%gVy{DD@wf9Ms>QWPg%LQYX5@|#@bK2&c7&`B4fJx{s)8V
z+agkYjV^!IL>TNVuXL)d4=(o4bK;Gy4(H%&P3U&+3~2Z2Z0U`kl{nXlg@0nQdupi@
zhrsN3!K$Q{UP7y!g&3KHMMS52b_$A#GwzIclc*4A+`N^M@puK3q_{hmRL_=eJ4F5W
z9XRB@h@pHHmw44~m%PUlSfpiK1W$iBz1drO8#BkZ$g~upowD`)ZZ|Cz`tD3F;kmYz
z*|ecg21f(kLOh9yrP9_WckGnH}CQ&^EN>^Qe;!-k-#
zy%skaR~&8ZoxNisQ*4#6M$0lE^~XXpSS+=lO|qIhjjvMN|DNSs%j!ugiw_)bU#oK0
zQKjO7|HVpP-#+dHMiz$UzbCbRoiufEOHetx1jk2r-K{EFjax&L1T|Cxe=u1H6gECN
zW}3M2+~-YZ2Rf>zy|!f*YhZcCAajj%^#v`@M@M^w^JZvUcIs%B$2fLg$ep@;f2dc8
z_b1M-L>H^v`5RZJ+$iP-AJ)XcU=09r
CY0&Th
literal 0
HcmV?d00001
diff --git a/assets/images/116.jpg b/assets/images/116.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..9d318e71798e32308d467d7ed44150ea3e773a42
GIT binary patch
literal 684
zcmZ?wbhEHbEMkymC}%KK{3jKhpH@vk
zCI)7PTn15wRuGSYfrFWWmz$e`g^P=Yftih)0m$O!<>dkjGw^b-FfcH4aPhKm@bYp4
z1=A85VmrD5GurY~U4)97oLVONa!<*g=FBNPJ)mHT-!kXE
z86m5)*Ew;D^sgwKu-KWqZcQL-R?;qC(cPkqJYwP!D+3lSVU-kMJQ-gg<-yY6Gpj}V
zIs?DV@=rZM5Wv`vJM0^n#s9RxI87RCYJ4`+ah&`uRn!Gj?Sg
zUF}!vYGF$Gpb#7*SS8cibn(??#(;vn+$`l2+dN_>zhPjr`0z0CcJ%Z$?>0>`W8h%*
zl#BO0q`>mTVqbu&;va!t&!etwu8qI8sp%hkxToWUwZ_F4Ge7&xUpL8^YvIupZcjzu
mCEwnJt-E_bi`9DZoBJmkMf*=#?fk5{$62=CFV;hV!5RRkRnUC^
literal 0
HcmV?d00001
From f68fab48c8a1a52dca7ed81e71ed180574579df2 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:20:22 +0800
Subject: [PATCH 0074/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 12 +++++++++++-
1 file changed, 11 insertions(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index ba550d79..7b9eff33 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -41,4 +41,14 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
主要可分为:划分方法(partitioning method),层次方法(hierarchical method),基于密度的方法(density-basedmethod),基于网格的方法(grid-based method),和基于模型的方法(model-based method)。
-分层聚类算法原理
+* 分层聚类算法原理
+
+开始时将N个观测量(变量)视为N类;规定相似性统计量的测度,并计算相似系数矩阵;
+
+找出最大相似系数的观测量(变量)组:Sij为类Gi与类Gj的相似系数,S为相似系数矩阵或不相似系数矩阵,若S为相似系数矩阵,则依据Spq最小者挑选Gp与Gq (p>q),若S为不相似系数(距离)矩阵,则依据Spq最大者挑选Gp与Gq进行聚类,即将Gp与Gq合并成一个新类Gt(t=q);
+
+计算新类Gt与当前各类的相似性系数,更新相似系数矩阵S:将得到的新的系数代换与q相关的行与列,删除与p有关的行与列;
+
+重复过程:寻找最大相似系数观测变量组和计算相似系数矩阵,直至聚为一类;
+
+一共有六种分层聚类的方法,五种距离尺度标准。如:明考斯基距离、马氏距离、匹配距离等。
From 3d04be4ebe2eb1248703ff4d2848c635ee913a6d Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:20:43 +0800
Subject: [PATCH 0075/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 7b9eff33..fab07bd9 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -52,3 +52,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
重复过程:寻找最大相似系数观测变量组和计算相似系数矩阵,直至聚为一类;
一共有六种分层聚类的方法,五种距离尺度标准。如:明考斯基距离、马氏距离、匹配距离等。
+
+* 快速聚类算法原理
+
From d968000318a5ac7d4c999d53d6fb49af7360a5f9 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:21:30 +0800
Subject: [PATCH 0076/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 5 +++++
1 file changed, 5 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index fab07bd9..ec7df25d 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -55,3 +55,8 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
* 快速聚类算法原理
+快速聚类以距离衡量样本间的亲疏程度,但其最终结果不是聚成一类,而是根据各聚类中心,将所有样本点聚成指定的类数。
+
+首先设置K个聚类的初始类中心点,计算所有样本点到K个类中心点的距离,按照距离最短的原则,将所有样本分派到各中心点所在的类中,形成一个新的K类,完成一次迭代过程。在下一次迭代过程中,重新计算K个类的类中心点,重复上述过程,直到达到指定的迭代次数或达到终止迭代的判断要求为止。
+
+其中K个聚类初始中心点的选取有以下方法:
From 758cf157bfc148bff2df14597404fe8290e4b7d4 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:22:01 +0800
Subject: [PATCH 0077/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index ec7df25d..371c3ef2 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -60,3 +60,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
首先设置K个聚类的初始类中心点,计算所有样本点到K个类中心点的距离,按照距离最短的原则,将所有样本分派到各中心点所在的类中,形成一个新的K类,完成一次迭代过程。在下一次迭代过程中,重新计算K个类的类中心点,重复上述过程,直到达到指定的迭代次数或达到终止迭代的判断要求为止。
其中K个聚类初始中心点的选取有以下方法:
+
+1.可以选取前K个观测变量值为初始中心点;
+
+2.最小最大原则:先选择所有样本数据中距离最远的两个值;并且选择第三个值,使得与前两个聚点的距离最小者等于所有其余数据的较小距离中最大的,依次按这个原则选取,直到最终确定K个中心点;用公式可以表示为:
From 272a24c6129d3d6871045640f18e7201fffd91fe Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:22:39 +0800
Subject: [PATCH 0078/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 371c3ef2..4f20c931 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -64,3 +64,6 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
1.可以选取前K个观测变量值为初始中心点;
2.最小最大原则:先选择所有样本数据中距离最远的两个值;并且选择第三个值,使得与前两个聚点的距离最小者等于所有其余数据的较小距离中最大的,依次按这个原则选取,直到最终确定K个中心点;用公式可以表示为:
+
+
+
From 8281b87b0b7538872ec7e2a720a6f9633a63e561 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:22:52 +0800
Subject: [PATCH 0079/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 4f20c931..aeadf2fe 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -65,5 +65,5 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
2.最小最大原则:先选择所有样本数据中距离最远的两个值;并且选择第三个值,使得与前两个聚点的距离最小者等于所有其余数据的较小距离中最大的,依次按这个原则选取,直到最终确定K个中心点;用公式可以表示为:
-
+
From 655ba2220dbc72eb97803c35a9e06ceabbb30fe7 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:25:42 +0800
Subject: [PATCH 0080/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++++
1 file changed, 4 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index aeadf2fe..75775cc2 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -67,3 +67,7 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
+
+3.模糊聚类算法原理
+
+糊聚类算法根据研究对象本身的属性来构造模糊矩阵,在此基础上根据一定的隶属度来确定其分类系。系统的模糊聚类分析功能根据专家对研究对象的各指标进行打分得出原始数据。通过对原始数据进行变换、计算模糊相似矩阵、利用传递闭包法建立模糊等价矩阵,并根据给定不同的置信水平,求截阵等一系列过程对研究对象进行聚类得出模糊相似阵、分类关系阵和分类关系表。模糊聚类的具体算法过程如下:
From 50411cec84d9bf0f0d4072b14f133dbcd7febcd7 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:26:30 +0800
Subject: [PATCH 0081/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 7 +++++++
1 file changed, 7 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 75775cc2..b2832d6f 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -71,3 +71,10 @@ AI的开发离不开算法那我们就接下来开始学习算法吧!
3.模糊聚类算法原理
糊聚类算法根据研究对象本身的属性来构造模糊矩阵,在此基础上根据一定的隶属度来确定其分类系。系统的模糊聚类分析功能根据专家对研究对象的各指标进行打分得出原始数据。通过对原始数据进行变换、计算模糊相似矩阵、利用传递闭包法建立模糊等价矩阵,并根据给定不同的置信水平,求截阵等一系列过程对研究对象进行聚类得出模糊相似阵、分类关系阵和分类关系表。模糊聚类的具体算法过程如下:
+
+a.对原始数据进行变换。变换方法通常有标准化变换、极差变换、对数变换等。
+b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*=cosθ构成相似系数矩阵
+
+
+
+
From e3404235b654d77da1bbfe4dc6a9e43f82290f8c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:27:45 +0800
Subject: [PATCH 0082/1406] add photo
---
assets/images/117.jpg | Bin 0 -> 1557 bytes
1 file changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/117.jpg
diff --git a/assets/images/117.jpg b/assets/images/117.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..11e1ab91faefa37e9c4480f339b81edb99342cbc
GIT binary patch
literal 1557
zcmZXOdpuML6vywl*SOv5S~HWum|BCHDesg-+Y-a%5qi-?F_`r9D37RZFyoO&NNRQ{
zBr83njL6c67*VFuR^&Ber}Utdwg-FLfA@UOAHU!EoZt5xw{@;|tAaa$Kp+mVX3Wwy
zM(_{D1xJV38+z>uiHLy(L=gS~M-Ui6h%f@-XaxO{f?!;O_!}SufGCXTA(V)ZAzZ;QeiSDG1U2yg
zO`LNSL~_h%$K~bGoqO%Yloo+cJh%GkrP!`Fd`zRwaKv2FqpGEq_*>B)OAoKFP8yQP1xy!peK23i4h_-nw{8>S8q%uKx51>w_m+c&K(3&ZfiM5TA
zH8hRBVPgL&o@?4ylX}y#dBt^0wOmz7Ajt(d(dkoVR?0Av^Dv0t8Ke~E&Jk@hCa32O
zkKW_GSLqX~%8PSTU-!;)DxFqUX?`y#SA@4YXQVXc$NysIB-$LLeUcM@-lb>N2IGO>
z&;;9p#oqCOE$?}e>X}V3&eFRROSt-4_ti`-3P;{4JGQXuBAs-v<%v$MxOyaRLM^Pz
zGi!USX0>&Yg0o>U)tx4#?Yp=DWApl?zt6Lb%}#u=Y1;)@y6>znkm3)vX1A+(e{!gw
zT-JEpFVJKLP6OnA0}1S^YdS-S*sZZq>@~%pyRO;cY@M3*VcnI{$KvXwD`dQVI890J_GlOzz}>w~5dKB6btgH&
zM?L>c;`@BZtt$yM7U^30`-f{d
z1`(bKD)KoC(ZgM7!%?GEezjZ|!<0~!#+7Fe`h=I8XZ0`fWOo@^Rk8GKK{b1(nZ}on
z+Bu9SoSXf_=o(kFTPR(^%WT`yyYPW~_1@JtMQ1&;By%Ha+!9lINzZI;XQ8wFn)=2m
zYF>otG!h&^^{lZr4;Q@WxTM#7uYZ|uKT?s`@==*@Wq|(L657;2`Zg+afo*E2a|0An
z8vQs&W~GQCKadx`%ormzFX_8uXSuVYo8D;d%FJ8$xngj6&!v}b^3{*ppZBo*Y-#}o
zm(6UOTGa4n%p_q#~;c^_jPQ_THyW6!!Aa>(H<4~75Wab
zwXvbP!PvJXm4*!_?s^+Q&q-&Fm6C~iMox1FCITtG`9gyHAi*nqJb*=-%$YUrS1z^h
zw;3GUHk~fFJb&1G?eMdx&ZD&5m92?SzMH?=?>9U8L}O>s`58BXMA-k9`x~{mZ^9vR
zWWdfs7#%#7+$6iIxOMq^-dE%#+2mG*2=kFCslfnCw>~_bt$A3s$|SPk++H4BN6R`U
z7ZI_F^pr#}X@}-#J!ma)Q`ha`t7er<{$+)pF63C_X)^y_?xg1O=Mrp(zmRItl8|_P
z{sO`2MU3Xjsh7UhhmUQ|MBDm843uLK|Re!-aH)vvkmneXLUl+xb}Cy{nX
xWzK0E>L-P;SFqCJ&RdP@i)43tIrDvXKOv0hSA_^yzgp@aQ)E1ztOEfK{{oT_cg6q!
literal 0
HcmV?d00001
From 7f0dcbf0c1baf0d06403a18b0e07cbe333fda599 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:28:31 +0800
Subject: [PATCH 0083/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index b2832d6f..8667d986 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -76,5 +76,5 @@ a.对原始数据进行变换。变换方法通常有标准化变换、极差变
b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*=cosθ构成相似系数矩阵
-
+
From c7c42f0c4ce6bc3a6716c5c921bbce220db7f9f8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Wed, 10 Jan 2018 09:28:44 +0800
Subject: [PATCH 0084/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 8667d986..6cdf03c5 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -76,5 +76,5 @@ a.对原始数据进行变换。变换方法通常有标准化变换、极差变
b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*=cosθ构成相似系数矩阵
-
+
From e4fda1de51af3000dbbc564274b6b2dde4b71127 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:05:01 +0800
Subject: [PATCH 0085/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 6cdf03c5..fe59713e 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -78,3 +78,6 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
+
+在此基础上做如下变换:
+
From 8569393c7bbf8a2b4544345019aee72b04bc1dad Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:06:38 +0800
Subject: [PATCH 0086/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 +++-
1 file changed, 3 insertions(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index fe59713e..a2541dd8 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -80,4 +80,6 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
在此基础上做如下变换:
-
+
+
+
From f016390226acce28f8bd85691b01bedfd04cdd90 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:07:27 +0800
Subject: [PATCH 0087/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index a2541dd8..23f9dd0f 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -83,3 +83,5 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
+
+使得rij*被压缩到[0,1]区间内,R=rij构成了一个模糊矩阵。
From 13db4badbec80da3f1f4047e16fd541483df02d4 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:07:56 +0800
Subject: [PATCH 0088/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 23f9dd0f..15abf9c7 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -85,3 +85,5 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
使得rij*被压缩到[0,1]区间内,R=rij构成了一个模糊矩阵。
+
+c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→…→Rn,经过有限次褶积后使得Rn。R=Rn,由此得到模糊分类关系Rn。模糊褶积的运算法则:设A和B是n×p和p×m的模糊矩阵,则乘积C=A*B为n×m阵,其元素为:
From ab0017be75d66d8969a0b7e546c1a770e06800df Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:08:19 +0800
Subject: [PATCH 0089/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 5 +++++
1 file changed, 5 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 15abf9c7..84a44d89 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -87,3 +87,8 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
使得rij*被压缩到[0,1]区间内,R=rij构成了一个模糊矩阵。
c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→…→Rn,经过有限次褶积后使得Rn。R=Rn,由此得到模糊分类关系Rn。模糊褶积的运算法则:设A和B是n×p和p×m的模糊矩阵,则乘积C=A*B为n×m阵,其元素为:
+
+
+
+
+
From de72fab9a6afc1ad8280f9ef8d6120b44f991281 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:09:12 +0800
Subject: [PATCH 0090/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 84a44d89..2e06133d 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -81,7 +81,7 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
在此基础上做如下变换:
-
+
使得rij*被压缩到[0,1]区间内,R=rij构成了一个模糊矩阵。
@@ -89,6 +89,6 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→…→Rn,经过有限次褶积后使得Rn。R=Rn,由此得到模糊分类关系Rn。模糊褶积的运算法则:设A和B是n×p和p×m的模糊矩阵,则乘积C=A*B为n×m阵,其元素为:
-
+
From 3d57b6e25e678d01dd5286d0143332da9bfc1caa Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:09:33 +0800
Subject: [PATCH 0091/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 2e06133d..8a717379 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -81,7 +81,7 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
在此基础上做如下变换:
-
+
使得rij*被压缩到[0,1]区间内,R=rij构成了一个模糊矩阵。
@@ -89,6 +89,6 @@ b.计算模糊相似矩阵。选取在[-1,1]区间中的普通相似系数rij*
c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→…→Rn,经过有限次褶积后使得Rn。R=Rn,由此得到模糊分类关系Rn。模糊褶积的运算法则:设A和B是n×p和p×m的模糊矩阵,则乘积C=A*B为n×m阵,其元素为:
-
+
From dbe447f83714f48603af3774ff07d4377bcce2f9 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:10:27 +0800
Subject: [PATCH 0092/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 8a717379..1c206164 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -92,3 +92,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
+符号
From 532e6a756bb5b134a9604325919bc13f84991c89 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:11:01 +0800
Subject: [PATCH 0093/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 1c206164..2f3762e6 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -92,4 +92,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
-符号
+符号 和 的含义是:
From a7d65a4a55d4c28ff1f70e5bdf1698283b8cc9de Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:11:22 +0800
Subject: [PATCH 0094/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 2f3762e6..421e303c 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -92,4 +92,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
-符号 和 的含义是:
+符号 和 的含义是:
From 1aabe9b0dbfa560c5253aa4e802ed34257ee68dd Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:12:49 +0800
Subject: [PATCH 0095/1406] change page CAS
---
assets/images/119.jpg | Bin 0 -> 291 bytes
1 file changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/119.jpg
diff --git a/assets/images/119.jpg b/assets/images/119.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..3b0df401e46a21eafe1a50dfaa21b86bd12cb2db
GIT binary patch
literal 291
zcmZ?wbhEHbRA!K7C}%KK{3jKhpH@vk
zMh0dEIR;UN77&ktfrFWWmz$e`g^P=Yftih)0m$O!<>dkjGw^b-FfcH4aPhKm@N$7f
zn3)+^n3*}axw%+CBrh+J!NSGJ#EccOHYq6dEwSKmloCjNJ;^oUz^Cl)qm5fSjqa~y
zUHmbMMP}X6hm4A|SahNlSEZP(nmBhw`xede2p1=#g&}TE>4h8;)3v90&zZ7MbymZV
znzdzjf18(@)jMS5G*`4TH0if=_0)B?POzEeFh#X*a(nNz#yJxk;ucI@R8ux@@iOIE
M)0fO#smNdr0M3O?f&c&j
literal 0
HcmV?d00001
From 485ae4cfdba7112b9c937c9069bf7e2b09cedb1d Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:13:46 +0800
Subject: [PATCH 0096/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 421e303c..95d07710 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -92,4 +92,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
-符号 和 的含义是:
+符号 和 的含义是:
From 0665ba004b8c38af2d4e823801229d579e0445ff Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:13:59 +0800
Subject: [PATCH 0097/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 95d07710..502fbf3a 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -92,4 +92,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
-符号 和 的含义是:
+符号 和 的含义是:
From fec3e7c4abe0a40b02b353001b11aeea10994bdc Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:14:29 +0800
Subject: [PATCH 0098/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 7 +++++++
1 file changed, 7 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 502fbf3a..ce42adc1 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -93,3 +93,10 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
符号 和 的含义是:
+
+
+
+
+
+
+
From 4088cc6f56f863be8d4279a4a66c63d471357ad7 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:14:45 +0800
Subject: [PATCH 0099/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index ce42adc1..9876ec1e 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -95,8 +95,8 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
符号 和 的含义是:
-
+
-
+
From 3a74e386b05a55831b5a7326622392f09ddb57f3 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:15:02 +0800
Subject: [PATCH 0100/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 4 ++--
1 file changed, 2 insertions(+), 2 deletions(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 9876ec1e..b5a4d9b9 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -95,8 +95,8 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
符号 和 的含义是:
-
+
-
+
From 07bbfb106adcd3d37a95048e371b734e78aae9bd Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:15:39 +0800
Subject: [PATCH 0101/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index b5a4d9b9..3192299c 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -100,3 +100,5 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
+
+4.进行聚类。给定不同的置信水平λ,求Rλ截阵,找出R的λ显示,得到普通的分类关系Rλ。当λ=1时,每个样品自成一类,随λ值的降低,由细到粗逐渐并类。
From 984b8bbdd52115cc226e9cbe5f563246e662b60e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:16:33 +0800
Subject: [PATCH 0102/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 3192299c..b8d63b26 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -101,4 +101,4 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
-4.进行聚类。给定不同的置信水平λ,求Rλ截阵,找出R的λ显示,得到普通的分类关系Rλ。当λ=1时,每个样品自成一类,随λ值的降低,由细到粗逐渐并类。
+d.进行聚类。给定不同的置信水平λ,求Rλ截阵,找出R的λ显示,得到普通的分类关系Rλ。当λ=1时,每个样品自成一类,随λ值的降低,由细到粗逐渐并类。
From 527a2c3cfbca0b8bd68e862efeb6604326402b8f Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:17:08 +0800
Subject: [PATCH 0103/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 10 ++++++++++
1 file changed, 10 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index b8d63b26..926495a3 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -102,3 +102,13 @@ c.建立模糊等价矩阵。对模糊矩阵进行褶积计算: R→R2→R3→
d.进行聚类。给定不同的置信水平λ,求Rλ截阵,找出R的λ显示,得到普通的分类关系Rλ。当λ=1时,每个样品自成一类,随λ值的降低,由细到粗逐渐并类。
+
+4..基于密度的聚类
+为了发现任意形状的聚类结果,提出了基于密度的聚类方法。这类方法将簇看作是数据空间中由低密度区域分割开的高密度对象区域。
+
+DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个基于密度的聚类算法。该算法将具有足够高密度的区域划分为簇,并可以在带有“噪音”的空间数据库中发现任意形状的聚类。它定义簇为密度相连的点的最大集合。基于密度的聚类的基本想法涉及一些新的定义。
+
+
+
+
+
From e5dd6915ca223d10a6013ae5d205eaab827796d4 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:17:26 +0800
Subject: [PATCH 0104/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 10 ++++++++++
1 file changed, 10 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 926495a3..6ae4ee6f 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -108,7 +108,17 @@ d.进行聚类。给定不同的置信水平λ,求Rλ截阵,找出R的λ显
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个基于密度的聚类算法。该算法将具有足够高密度的区域划分为簇,并可以在带有“噪音”的空间数据库中发现任意形状的聚类。它定义簇为密度相连的点的最大集合。基于密度的聚类的基本想法涉及一些新的定义。
+n 一个给定对象周围半径ε内的区域称为该对象的ε-邻域。
+n 如果一个对象的ε-邻域至少包含最小数目MinPts 的对象,那么该对象称为核心对象。
+
+n 给定一个对象集合D,如果p是在q 的ε–邻域内,而q是一个核心对象,我们说对象p从对象q出发是直接密度可达的。
+
+n 如果存在一个对象链p1,p2,…,pn,p1=q,pn=p,对pi∈ D,1≤i≤n,pi+1 是从pi关于ε和 MinPts直接密度可达的,则对象p是从对象q关于ε和MinPts 密度可达的(density-reachable)。
+
+n 如果对象集合D中存在一个对象o,使得对象p和q是从o关于ε和MinPts 密度可达的,那么对象p和q是关于ε和MinPts 密度相连的(density-connected)。
+
+DBSCAN 通过检查数据库中每个点的ε-邻域来寻找聚类。如果一个点p的ε-邻域包含多于MinPts个点,则创建一个以p作为核心对象的新簇。DBSCAN 然后反复地寻找从这些核心对象直接密度可达的对象,这个过程可能涉及几个密度可达簇的合并。当没有新的点可以被添加到任何簇时,该过程结束。
From fca414ba277179a83f19551376686a5cf12b3504 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:18:06 +0800
Subject: [PATCH 0105/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index 6ae4ee6f..b7ec3322 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -120,5 +120,8 @@ n 如果对象集合D中存在一个对象o,使得对象p和q是从o关于ε
DBSCAN 通过检查数据库中每个点的ε-邻域来寻找聚类。如果一个点p的ε-邻域包含多于MinPts个点,则创建一个以p作为核心对象的新簇。DBSCAN 然后反复地寻找从这些核心对象直接密度可达的对象,这个过程可能涉及几个密度可达簇的合并。当没有新的点可以被添加到任何簇时,该过程结束。
+#### 应用领域
+在商业上,聚类能帮助市场分析人员从客户基本库中发现不同的客户群,并且用购买模式来刻画不同的客户群的特征。在生物学上,聚类能用于推导植物和动物的分类,对基因进行分类,获得对种群中固有结构的认识。聚类在地球观测数据库中相似地区的确定,汽车保险持有者的分组,及根据房子的类型,价值,和地理位置对一个城市中房屋的分组上也可以发挥作用。聚类也能用于对Web 上的文档进行分类,以发现信息。作为一个数据挖掘的功能,聚类分析能作为一个独立的工具来获得数据分布的情况,观察每个簇的特点,集中对特定的某些簇作进一步的分析。此外,聚类分析可以作为其他算法(如分类等)的预处理步骤,这些算法再在生成的簇上进行处理。
+
From f0c1b9f5d719d07abe20665243aaeb2ceabc3d4c Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:24:18 +0800
Subject: [PATCH 0106/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 22 ++++++++++++++++++++++
1 file changed, 22 insertions(+)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index b7ec3322..f6050795 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -124,4 +124,26 @@ DBSCAN 通过检查数据库中每个点的ε-邻域来寻找聚类。如果一
在商业上,聚类能帮助市场分析人员从客户基本库中发现不同的客户群,并且用购买模式来刻画不同的客户群的特征。在生物学上,聚类能用于推导植物和动物的分类,对基因进行分类,获得对种群中固有结构的认识。聚类在地球观测数据库中相似地区的确定,汽车保险持有者的分组,及根据房子的类型,价值,和地理位置对一个城市中房屋的分组上也可以发挥作用。聚类也能用于对Web 上的文档进行分类,以发现信息。作为一个数据挖掘的功能,聚类分析能作为一个独立的工具来获得数据分布的情况,观察每个簇的特点,集中对特定的某些簇作进一步的分析。此外,聚类分析可以作为其他算法(如分类等)的预处理步骤,这些算法再在生成的簇上进行处理。
+#### 优缺点
+优点:
+
+聚类分析模型的优点就是直观,结论形式简明
+
+缺点
+
+1. 收敛太慢
+
+2. 算法复杂度高
+
+3. 不能发现非凸形状的簇,或大小差别很大的簇
+
+4. 需样本存在均值(限定数据种类)
+
+5. 需先确定聚类中心点的个数
+
+6. 对噪声和离群点敏感
+
+7. 最重要是结果不一定是全局最优,只能保证局部最优
+
+不同的聚类方法,也有一定的差异性,但总体表现为:K均值稳定,谱聚类效果好, 层次聚类快。
From 3de90dafc715177c28d0d69a06b7208d893e2308 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Thu, 11 Jan 2018 09:24:29 +0800
Subject: [PATCH 0107/1406] Update CAS.md
---
assets/src/CAS/CAS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/CAS/CAS.md b/assets/src/CAS/CAS.md
index f6050795..a8e97b2e 100644
--- a/assets/src/CAS/CAS.md
+++ b/assets/src/CAS/CAS.md
@@ -130,7 +130,7 @@ DBSCAN 通过检查数据库中每个点的ε-邻域来寻找聚类。如果一
聚类分析模型的优点就是直观,结论形式简明
-缺点
+缺点:
1. 收敛太慢
From a84fa736fa4c8e5fa238a90082147d3f93f31def Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:10:48 +0800
Subject: [PATCH 0108/1406] add ARS
---
assets/src/ARS/ARS.md | 15 +++++++++++++++
1 file changed, 15 insertions(+)
create mode 100644 assets/src/ARS/ARS.md
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
new file mode 100644
index 00000000..426a08fe
--- /dev/null
+++ b/assets/src/ARS/ARS.md
@@ -0,0 +1,15 @@
+### Deeplearning Algorithms tutorial
+谷歌的人工智能位于全球前列,在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗,覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习,新产品进军家庭智能音箱并打造工作站级别Mac。另外,腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品,在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现,虽然入门艰难,但是一旦入门,高手也就在你的不远处!
+
+机器学习主要有三种方式:监督学习,无监督学习与半监督学习。
+
+(1)监督学习:从给定的训练数据集中学习出一个函数,当新的数据输入时,可以根据函数预测相应的结果。监督学习的训练集要求是包括输入和输出,也就是特征和目标。训练集中的目标是有标注的。如今机器学习已固有的监督学习算法有可以进行分类的,例如贝叶斯分类,SVM,ID3,C4.5以及分类决策树,以及现在最火热的人工神经网络,例如BP神经网络,RBF神经网络,Hopfield神经网络、深度信念网络和卷积神经网络等。人工神经网络是模拟人大脑的思考方式来进行分析,在人工神经网络中有显层,隐层以及输出层,而每一层都会有神经元,神经元的状态或开启或关闭,这取决于大数据。同样监督机器学习算法也可以作回归,最常用便是逻辑回归。
+
+(2)无监督学习:与有监督学习相比,无监督学习的训练集的类标号是未知的,并且要学习的类的个数或集合可能事先不知道。常见的无监督学习算法包括聚类和关联,例如K均值法、Apriori算法。
+
+(3)半监督学习:介于监督学习和无监督学习之间,例如EM算法。
+
+如今的机器学习领域主要的研究工作在三个方面进行:1)面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2)认知模型,研究人类学习过程并进行计算模拟;3)理论的分析,从理论的层面探索可能的算法和独立的应用领域算法。
+
+
+#### 关联规则
From a54d67e44c53114a8ce98fcaf9bcc89bae178a8b Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:12:46 +0800
Subject: [PATCH 0109/1406] Update README.md
---
README.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/README.md b/README.md
index 0154d86f..f57b4ed4 100644
--- a/README.md
+++ b/README.md
@@ -60,7 +60,7 @@
* [Hopfield神经网络](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/HPD/HPD.md)
* [决策树](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/DT/DT.md)
* [聚类分析](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/CAS/CAS.md)
- * [关联规则]()
+ * [关联规则](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/ARS/ARS.md)
* [支持向量机(SVM)]()
后面的算法和我们的算法模型,我会持续更新整理,后续的算法章节会不断的补上,希望可以对新入门学习AI开发和算法的开发者有所帮助!
From 08611181abc9ccdf717fc45641252fde071a9dd8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:14:01 +0800
Subject: [PATCH 0110/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 426a08fe..f4d88ded 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -13,3 +13,4 @@
#### 关联规则
+关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。随着大量数据不停地收集和存储,许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系,可以帮助许多商务决策的制定,如分类设计、交叉购物和贱卖分析。关联规则挖掘的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中不同商品之间联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略。例如,在同一次去超级市场,如果顾客购买牛奶,他也购买面包(和什么类型的面包)的可能性有多大?通过帮助零售商有选择地经销和安排货架,这种信息可以引导销售。例如,将牛奶和面包尽可能放近一些,可以进一步刺激一次去商店同时购买这些商品。
From 2b8e6a7958fd221d6c0f4a5d9c87a9082cc1c3e9 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:15:59 +0800
Subject: [PATCH 0111/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index f4d88ded..c325d36f 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -14,3 +14,6 @@
#### 关联规则
关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。随着大量数据不停地收集和存储,许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系,可以帮助许多商务决策的制定,如分类设计、交叉购物和贱卖分析。关联规则挖掘的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中不同商品之间联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略。例如,在同一次去超级市场,如果顾客购买牛奶,他也购买面包(和什么类型的面包)的可能性有多大?通过帮助零售商有选择地经销和安排货架,这种信息可以引导销售。例如,将牛奶和面包尽可能放近一些,可以进一步刺激一次去商店同时购买这些商品。
+
+
+
From b9f44c4a8e78d66b42d899941be8e301964b5ff2 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:17:14 +0800
Subject: [PATCH 0112/1406] change page
---
assets/images/120.jpg | Bin 0 -> 12234 bytes
1 file changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/120.jpg
diff --git a/assets/images/120.jpg b/assets/images/120.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..cbaf5ca598fc888d803c291493f0c90ac569e74b
GIT binary patch
literal 12234
zcmWlec{J4R8^)j6$CwRcjSOQCjV;PH)@(5-RI0J2s3s(7neP~8#u8(xXdO#ZsfJYA
zhZdA-LM8RSjipj~HI`~BnP0!>+~+*!Ip_KBKIgix`*W=f4s>%(@P_>Zb^~CtU=Y0{
zHG6kLX37fcsx3*GJF@;hsS&BETar?ME%|5NbyHZn58U@$lw4i1Nt$z(M(HBC)T
z6bgkvAnW>M$4#
zi^b~b=;-R|8XFrEi9`y8Vry%=WXTe1YimzW&t=P&EnmKzPN$oinwpuJSy@@RySux%
zxY*g*IXXHzI5^nY*jQRxnwXe)dwWx^XA>VcXK$L
zJ$v>fB_(ayvL!t|eaDU+yLRo$&dyFtOUuZ}NK8yjNlDqcb0?e4X0cd%_wLQh%gf5j
z5(QqTd2?RkWPo69-Ej@AK1eeP_e*AbJ%M(W6I?9Xod9$Ps}+
zz~}R;tE-EPi;Iei3JVJ>Dk?-GQDtT2!Gi}69XeEAUY?(yUrrElK6>FMd|?(Y8QpMUP(zu({A|L?#5c6D{VeED)=VPS4=?%TI-
zzkdDt{Q2|f=;)U(U;h00Gdnx0P$(uQCggJY{QUgauV4TB@4ru)6zkmPm;ltS2*!cMP`}glZe*8E&IXN;iqEe}_D$uEB7$gyQ@~~Pq
z@ja5ddjc{o$>$S{u5{seZ+V!EKGbRaVjG;(OapKR!ZFdUQPaa?_Jz
zZdsp8m6y&uJH_DPzFoiE{JgZRpt;=JMR723MN(ilIE5WG1)#A?)J%Q?wPxyag69b-9d}+
z@O*->^jrg56H%rb8hd(jjkZ3~ZM=g%2;uiGQ8PytOJ>gw<`Jngh|KBPemzh;cn3{yc}nyVTaTs@VW7RFXpFw*1Q1ZIV_
zRzNMWIw*Oi1#DWFFtVrT01^C)rbq;|;g`8rU^TOO;M?f8XKvbJCf?;mTm=m62(%>9Y@o$kB4%j$X+L0|Xyn1k
z%!k@v8pXqSo~>z_dE&Tgph||G#x)-hZUE89
zp(6{?!TeA|4LsiS0l9b4qj=xP-WtmJ2+eZ=k@p%sJ4d3;RD;nl#L^DHSiacI^szUc
zrSR4EbB?~}vKvUb1~?W=o#<(e0pEQJ{o)uIx7Q0J3>^wvpHHormgc)0|4!PS4AWOT
zPBv+za}&3i;89Y3gN!RkV%n&g4#71B*{A~`!GI5>T0`_AhER$#QDQLp^a2kl7Ym?n
zZ&hY1+B4aY%pO8)AB=?dwwU5y2_fpnX;KzmPFQXwb?Si?7ZWtVuoMZ>VfRz5Mu@d6
zP-fe&wTjxwCH3`sH|~UA`;(-V(j&h)B~=6SNyc5wz-NZ)#VyV70D@trl)*L_)=D{*OKLf@*p$d`APvAPUfoHis4}Jq@h`>x;@3D+P~(3iCditku;fv8C7CjtQ6%b
zz*j>w)O{6*5f~Ra`bxIQ+CoJ7&bSOzxrN5_P;Kd4GWu6qlhb-Q1vNKi>?h_2JxL}8
zQeZ?J8*())M8-RRG7cC*>We^$q5tQyBg_J3;Z~vjFAbeAY?l_GpQS0psO@B!#ti`W
zh+()t%{+~EZA{d(s|8;bfbZzj=f-v+9IWPK*$*#`$aaOQM|Yd`Y{EtV8mA
z3yp+Qw5)whXZ5-#96g%$4b}rs!*2~{TOM03D0*%EeQ;67>)RS?KG6^KmqpFpFZf93
zJLSO-?ws@$UK37wUwlrAAKz~9kFuNIG^>@a66Wh(tzkV6ODGL;Nz&N!56N0ej=xQ8
zWa$0Gm;xD={WhufmfTOeFoNoe88=o~b-VWibv-(Q91B;;(A)_agw95I{4O&*L2tG!E_w2J7yL5=>R&?^b{U-)nE*MvfYvTXs3edz+vh!#6``#r&2L>ig3++eHw+hH=6^wg
z04vkRw*QLWJ!KRff>BlKu2ja#l`|xt<8}9+&Uf3b7V}&)MztV?FY&N=cB^a0k_M5h&Qv(P|U&PL}3U%6mst4_#$
zsX_3cNO<=%A3e<679p=FkHy!?EK&tG_T~fkt8ebJfdAF~gG3JCVN^`u`ErDmAQ{;T
zsJ;=^Vgd!2>N|)6mPq8KUh`wR8{EtnO9!;nhx~x90y1700UIC;x`FmhkM|Y5Kb+zaNRILoEH-r~!YK6j9IRBPPWN&l(hmFhe?!
z41zpi_q8%EN>`kcWB)2N;f4=hv)NZ;wE~gb%v3~>M`2f+A0Wd=*w*tj3RMI@y5$LB
z#r)XfmpKe)M}XJ{r|Oke3wp0a!gibOCtsvLuwO=1bER;#>xVKT+QYtmS9SFzm03yM9WQ&vf57K{qP_NiE02)s4`jCSIo}b-H9-X2gaw^`AZifO93^J&^JeW
z9SIeg)O2ZH6mqRucgmfC6z?MDYFqexVeOOR1BLMJRdsood78#!=&)*eOmew77NFs*
z`*t3Ym@j$}K>LdLauH;)g3Kv~H7zr8*LP0V}qjz|f)CkkvN>
zpvM4?Om%(n{@GObAqElI2DB6;rh+h(L)
z#8DU--duz)lp_t#SnC1L^QRrhnMfaJe4m_HEw=S+1%8U`YE87dXb=B82`h)sQwvYd
zkn+IduW+K9+|@%
zO?3Pj2Ao?6dm*<`Kn2Lc7RiHvxn2nk7
zqw~
z(g19<_}~Ot;5CBw0r9yEtDC;arYZ22DcF;#
zMq=7k5sD~6ou07|sZ1yhpcoW+=%ps!>4~ETn`chAdsYyQS+JcFg8A!h7slLuS-u{c
zL^}mcs=z-}DWLP@c<)GcAVWVB8}tovXs-z`$eS;_iPom!mb0UCD-(`TH`MqNyhSKS
zGTN@F)N>l`Dn$qxYOksetsT-jDN@U3Av~A|L(cArg?xfd)$QeoG;_053EZB6^BP&H
zx2M9=lzCW!jUdBq$rbH1${iWpfs8JZs0H{|Q>ID&Vmq&X!V(2>hKlx|C2a%P|HMQS
zcEYyznqE7JU!?>x77Q^+BaC3bEmQ`VILah#2S8H>A7&R`_*CPGe
zHhav3dsbj`evtNv52_UK&vGra?D(qyN;VlSlp>?Z$aP|rA9QTYdL<)LeU0Ljj{=b)
zNAIVq`TL&Cm{TVnF`JgG)+EDQ&6zG#0H_V0BMxF<}9
z>%Cj+u9~2_*m#T2rU+bJ`A_tAd38jQCDowbpiZv>f*G?LHTlRJY}{E{WB736ZEQo-
zQKCfA7_km_jgG)TjmA`%+X~8xVyYZ~W6XG!1Uwff?s1?rNHKd9P3&Jy82}l^#%y7q
z$vt`|@5Y(EHkgfM)K>DDom)}eBlQU(o8Lq=8S_1-RM4K$I=zKyJ6mss^qrf-$YA07#u9Ohf0#P?5tmK!hA@wV_}3JO^(^GD$bNhR)j24*M?|>ZdvW&}#H_ry+nlKLn$Sxdz`
zO6W7B{c<&h9CHhTd36$mGQ>wYSN~TKP>Fy$KnoF|meq#bOR{Dsc54%v-?e^FYgG!A
z>0a|K42PLVW(g2(u?QEyfLk*Wh;gI|Q#~C3Ejjfe9rmAOS9BsO@od9x-FB7??TRA$
ziEyPU$SL#nAvY6!f46&SqR-M1H>mI_I!;9f&lE6SDf+w|HOod6Fbz@_e}zVE1p^zw
zK9Re~jFDdA`T)CCuC)Z5QjyiF*sz>A_3g3OZ?|2$BEzm$l8j|qW{N$@WOz12xGzCF
zN=dGC#9=z2V$Joi%w2Up9UKp=9Z;O_INc
z7RMD~LZt*4mADRoKV)o+JZB$7cm%)>0PIBYosi?_z41rB(7spQS-jS4gH)~Nrg5k!
z{P|7K3K255=(=Y&uJt=<+gjo=ci0=yAup2$PZ&;i8gz{l39il!U
z`HtIf%#P}n!#Ah*+*xwmio8lCZ_BBMUlJR5Bw|{&_BO`vIzvUQW2#&3y6YE3$dDl{
z4-ulIou}g;_f!Ed`SR4RM^Bbid1!)n%$}<)dv36uD{6d(8yIV@wcpF=u_`RW^ge#|
zzU|4aMWja;b{*<7YP*!v#3>QDj>x4JB
z5LdDY_$)~a+_k%X(Q_JpJAG-$pGwU?q;J92f#l~geuH-g)P0$~jX2Ze_kXeZcqFRa^d%WczU(j1u5^?G>I*`
z5bO&QpJYF?*z=qF0yl?mmpA84BjtJVZd_e3c<8533(KehwQ%MP6QEcKo*S
zV+f@a6cs|ZKek~gW6<7W8KUJM{hhLs^ZT_tBVk`5q6c|>{fQ^H3WC4SlVYTmVUDkF
z)wRaLQz9>*+TM7mgB`lrnIG7wF`ddR?~ufzeNlTcctm3
zBCz)!DdV_dtI)?&1GP=h?BxctY8g_#Y(OQ)jcS=qi99)fkUCGy@>!+nIQ8rRzVC6v
zA<46VHuPbJPmgEe27t!tXpuJW_Q@oUeS4KoU+2@0qwkih0{P&iA(Gx7Y>L;}6P+jR
zvj`-)@v-qwG)N!Y!yJi5_RrHLdwu%VY1>^S%u$P+(YH3Zk2+?x>|w8{YfsJ-D_97-
zzG2sJpB0PW7{45&AjjjT-2J9X0*S^dDy+hnUqZd5q7&k!U>mw}*H6rb{P$}Xo5fCz
zcs(_X4iHyZF;Ohfi$>%-h4G;A}%21>V5S65m7h9jd#O
zdoF4im$8JxnD{S-YdwBPFBQCFwBq1`T!;d0lsfd|
z-|yQ<%d`3D8Ku+ouFpR8#Od+xd0+qgBz_y+@dF|?aPmcdnRDcJ^o$R
zg^m7EJSu?)-PZP1K}S5gNQaD`>Pr6j)T6dV4;D{e+<81Uyzh-k>$>PstJ^z>=CZ+M
z8&URGwavt%zn}l|=*$MNsdrMY9B*J&BN0nE7$dKJ%D)Ug>Q)c~(G->J($M+?9}rdvuChlnkq
zE_xW*Q|ow6&Oj!IIk!Mq7WKYicNmB-RSM+=ve
zjJ4?G{OjOj!!T`TaS@zw+9~UWJ**>vK=EN!0S+dG0admY
z1&UcPWWj*+GqZtz$IaHSf1%c_yxjE9O2IDQTh)Y+@$}IWcM#N|ZoaS<1;Py#soZ@v
z6Q7M;{}s#C9OgS{6`W+4l)xw+_p@&5*B>=AX%(j2(7@C~lHu*J6n+L8&}_j6A(v#1
z8$v*=qW~Oq?%2vZ{CuJFAvSybwn>tk*eWJX@?z@X3ulps^wVGva+^TS=TLZo^aD3`
zfyt=Z(ox?PceAp>q<6z{t;(Y!t-O&_K?X(gQ`?qNusn`*LXH%uteZD4Mv~?~5@KJT
z7~g2(2`OQea5n~5%SIuuNx91KBgeb_#OOm;!ptf;R=Ji|zKowMDIkXdSWSOEf5enI
z-P*}5p=qb_Qi!@U#wD{eA8T1}^`%Bz5BsE>+6ecssK~C&qs0V#M=Y01@A$ZQQYaN#
zZ&f;eHr_CvSd2xWtpEf^GoV5aKi8~~lRWO!BA%h1KD37Ss~dr$0O}(1JC7fWLXTeo
z#<`d_)KtMEAf`n2D7&k#YnsnbS`$nCYr7H()$n
zV$KfSv>+(7GlYSaLvYH3g5*R`P**XH9=21eRi^v$2`xK^g%_Df%ZX0)DSD;;MAXe4
z89rtk_1F0VMgfcU(O8Gf(vO!ToILP6q)8`j`v~Rk+Xl6vq!7E4tVS-BPge8k))4z3
z?IaVMVTeBB!gDSMpTDD05ASoMqHtG5Gv~^0Upr(^6`R3I+)U|NT3w}^53TwOtbCUR
z6_}l5v&pHsiC8B+Qm6-y6zG`rUx%ca44bf2G5ySxb@`re&258<5#I97LJsxQTD4EW
zvwfy~dvi<9Q|Sp2d|Gfy4r!~bxc2r52+g=8n|v08|4YdL0|u@tyIliiJi~D@QXAWK
zLy28^GnuA79Y>4!%A%zI*b{s+i5cr^qz=8mp2>}Y(F2`I7BfV#s(ke-(28sIX
zsr4HsBFj%f6UHBu7*83ui$hPNe#;fOPbQQdn7d~*py7G1~{getD7z2bJ=6a72rH^9o0BW
z54Ku`MOxN&^>BsvXi>pItFgZQ9S?kU|FtT#U(Lm#u8t56hWRe7r0AT-CQ(37fIVQS
zb0i^Hm4&u+^~lj9YPsdj+CK$2md4>YASLOBqIGQdzUDCND9XWpFSQwA_Pn3wk%XZA
z_Q>LwPc1Iy`~=SKAN+2bi49iA!F3X;0yj5xEx$Bh=Vc>s;GaNk1`JxbMBqn<1Nws&
z|5{DVoz7`vX2!qDfem%U`N%H}#(&S+yJ=3Q>x3w3+XJno(!=fh
z6fg8u6-D;=0%Lu{AcK|>XouOz!HU`O(>SVC-^>Wto*l@5QAwN6CK>UB{z#=mIpOV`
zvA%Mpo(CI_X-}yBsCRtBTqGCs>Y_GM2m>2Ma4_y>yjI?fo=SinV2@}UMyvXb@I$TZ
z7$&wK8(|5kMXJ$P7d$3su_
zD2|3?p;SRfO>Vq#pwB1vE(}aX5^4ZXW`mUze#Xb
z>|-&bi!q!q#qk(H==nT$SiuO?_(Q`r1;)2r@kayyeB2K)!+%i`(QG*j{TIh*p(_hP
zko-J7_xL8d-m}oNqXYlGXQ<=Y`Ji->{@xkL+lopsFCA@pEbna4eTv*a>u-pn1X;%Y
z{90tY&(P|nBch3lLbIeyJeKEq(TA`*qsHJ>T8l8;p&%@kwrT{szs{S-JVJJx&CyVDvY}3s?keoaV4F^g(A8w>T?J@UmEt
z1McNv1?*-Fu>_kY%6Gg~&6?0(cT?}E5^KiuvW>>>X17g3=Lf2)lcesU)wXY%Zyprd
zuJbG4)-}9m7``~#BD5+b_#fXb=h||8?c9+IuLJtv$V($?+L{lBD=;R)6PwJgE@c)(
z|GucfbWQO$)chNc{Jxr69eBUBE+fotIki|QM%!9F9R9?M91B!c=zdM)&aUV#3tnl*
zL%OD~R7GC>8-{Hqa}C4LwT~aREHBuZ&4`>A=z_C*N)06gj*)TsrH(;;ThUp^x;Y*B
z2TFvh96k7npAR^ULR-;&{#;3{O!sR)(s?c@_&H*()n7yJLS?DYl4Z6R*&(DN_f$XR
z3~}9)gYS00)2tq9A%f}?J689VXtTPHkE?mG+Os@F`S)9V*=48t)D5M<4TG9yR{WFg
zOV15fwlrQb$0D2O?DvZDsUr`$GRxrWxW=f590k&RAcU(#(|}XzFM)L$QbLi$H~T-L
zRWRos-$nLG=LM_N7^gFkS00t<2BB{aUcW=>>n`YHP8K@pb#thKgGGIPgMAz&e0_bW
z(LJt=^5nVMlYZwX1O89?DKNF68*LsKD#J9GE9gDn3m-aRbN|WP!6*NWKlyijmCEUN
z$l7BVzy$A{pN{!Ied~PLq3&^|f#74o(~0V*pBkTjZV&%lVEwSV`lkD}h|k?mkk5LM
zj}&GRoo~<1_($Ar?_L}fa+AzkA$xkQ`q|IMXTSV~yOWFAGSlDV&pzNE41RtV{5!%<
zjmZ_E#lhQx{yHO?khx6;1`zy
z;3b5ccAPOL$T&e5AT0=+K;@|;8M)~4lKkkkJj)lZIw`%JW}e=+Qz~C(nerCJT!h@E
z5N^rk9+-&oV?ckSVZ0LHdZ2&FAr13_1PL!(0fl3cpqWc*j?x!mka~hl8ODKG2G#dk
zAHvXbQ6v#><3uY-iB_-SW(7gH3c)@$@{R{7X8vB-v3aNcjiL_;ILR#ePCPD&c$`bqdeh{;pda3&C%HIM^<
z?kNT7BCvMV%LEp}I!zFz#@9+isCKY1i{mghWS$LGXc>aqd3?>-m}1H#fCdui-SMWH^nFji9I
zAnvnihHZUg=~croKjgwUhod_3&3Xij#fa5FV1EU+Lmre*MH}=KClg+;Pyih)Z$}L`
zK)Ld46fC_a|DgevY{aGPdIkH>?e3aK_HlpP2$F89=*toQ9Vl(9{3-=3
zvZsREVE~j!zX=4tJz~(V#Ep&C_qb{*DWLU)8~hfy33)*x_%6vhsm3R!sntRO*C-{4BBzc*&QO8qB^*!X(Q6Rv(~zsESj{3Xw}!jbiW~mx6fet+rlh#Ib<}NVZg7J~
zYNE$9zU)qghkEg1^aQSYHQTH)bUnn{LLM+!eCMY?y=VPSWxF_t7i)ku95>IT77T=>
zGyY)Q*$+4n^dM|fcneuq#9OV$)s`enAoK0ALWiD;Sjl79<$~6&OMn$zeIsI~iXYlh
zXw?y_Co32(o~)e59FY3F7{33S@2kp}^6d{U`T6NscwD5P-T-}~;CQ+)sN)ewh;C0q
zhYOJ|i7wu`CjVT0mE5CYw}*l2$h+c`y8z^I>ZCE#&-MlOaDhllt|$*RzWQ
zl}SMsKbpS&($RSM6O%yq{QcqU!ePp=KQ<%IRAs?dJ>6kAuC|30Q)I6|Z+fp!9Tf@@
z#n}qnwJ8o3R#q(ZlKZItQ1m=xo0SP&|L&@;(g=A@Uzwu!
zQB89*+u+sCejH5W?oR!8)6`d+7QNCm)SaPielb_DM5iabkcx>u?X`s3o%_v;b
zJ!AW7#_r?Hk{x^kgxW02OrXM5^cueX%30@Y{N1&gCMrR=B;Q3eyZp@Tifgm(r?NaD
zp8H*%n{?J2Gv}rRGwE5b;<9M+$C
z`|mfjrPflWC-u+Yq%Pl(^xb{o>dk_s@)y^8Gnv5&@ZJsIwPLG6v@5qZ=Vu4;Gbdni
zVt)HK_5D`-gfzi{nnDyg#$~4_kO8c8;Cf?D%JuK-1cerCHvs3uq?XA;Q9jBHG7s8j^yT2^4-1VnI|%d4sEqeh_Md|!z(3(joj$4XEveJqSsXko>RXXHmP#aTfHDW~=(ML?xj
z)nnv{^#ni|0+HRe{801~ArCGAsU1ftZd^1QGU@@{_iVQ_zV!T1@XXgWrJe
zDn-ce?QEel3U?_<2PaXB048#XpCpDy)S&bjh1cE{hYI$SuL%|hY3`z5T_fGZIuGl>@`6(-9m1b||LbCE%|H-2PM;y0(p8I&$4t|P1nOtP`qGjE+
zOiv|AhtRTG^=*+u`;y`It+fkD)bF3}Zl?Wv@k08K?GHGhI_J;kNz8^@`52X!g>q@%
zDQT!`&B*Bv`gl)#`np{FAtwNUWQEQcfU=?b5}W}imT{zxi`-XBfPSm
zEmzY-LO^Y)5J;U~YIG!Is9F;6z%&lQuqXiJGJTcRw6B?HqOHWkAk%Fub@74AJnETj
z=|TFU!Ev~yIU6DMntq;Zmb=*ga;MSRKB$ChIDZ-ASQ;tn-3HRO6jzi6d5x_=ny@X
za<^sU=|5HeE}$8#!hB*qf8?#0cUtH6_ARsO@Dxx4o~SrC{F>H3uN8uGSU}w0<}t7E
mBObeT&E`^p^{!(%sP`|Iv_3G{YunaqbJO
Date: Fri, 12 Jan 2018 09:19:05 +0800
Subject: [PATCH 0113/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index f4d88ded..c325d36f 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -14,3 +14,6 @@
#### 关联规则
关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。随着大量数据不停地收集和存储,许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系,可以帮助许多商务决策的制定,如分类设计、交叉购物和贱卖分析。关联规则挖掘的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中不同商品之间联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略。例如,在同一次去超级市场,如果顾客购买牛奶,他也购买面包(和什么类型的面包)的可能性有多大?通过帮助零售商有选择地经销和安排货架,这种信息可以引导销售。例如,将牛奶和面包尽可能放近一些,可以进一步刺激一次去商店同时购买这些商品。
+
+
+
From 9dac99eb7a208c0d2b94e454d4d121e487ce66b0 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:19:32 +0800
Subject: [PATCH 0114/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 6 ++++++
1 file changed, 6 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index c325d36f..6b88e078 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -17,3 +17,9 @@
+
+
+#### 应用领域
+关联分类算法是继贝叶斯( Bayes) 、支持向量机( SVM) 等机器学习方法之后的又一重要分类技术,广泛应用于文本分类、Web文档分类、医学图像分类。经典的关联分类算法有CBA、CMAR、CPAR;
+
+网络入侵检测技术作为防火墙技术强有力的助手,有效弥补了防火墙策略处理黑客攻击、信息窃取问题时出现的不足,成为网络安全监控系统可靠的保障。传统的入侵检测系统(IDS) 运用关联规则生成入侵检测标准规则库,通过判断网络数据与规则库的匹配度产生告警数据流。
From 2da4751f5dc9ec449ee23522902dcd32976583ef Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:20:53 +0800
Subject: [PATCH 0115/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 7 +++++++
1 file changed, 7 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 6b88e078..8673c842 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -23,3 +23,10 @@
关联分类算法是继贝叶斯( Bayes) 、支持向量机( SVM) 等机器学习方法之后的又一重要分类技术,广泛应用于文本分类、Web文档分类、医学图像分类。经典的关联分类算法有CBA、CMAR、CPAR;
网络入侵检测技术作为防火墙技术强有力的助手,有效弥补了防火墙策略处理黑客攻击、信息窃取问题时出现的不足,成为网络安全监控系统可靠的保障。传统的入侵检测系统(IDS) 运用关联规则生成入侵检测标准规则库,通过判断网络数据与规则库的匹配度产生告警数据流。
+
+
+隐私保护数据挖掘是指在数据挖掘的过程中通过采用数据干扰和查询限制的基本策略对原始数据进行保护,避免商业敏感数据、个人隐私数据泄露。
+
+利用关联规则进行蛋白质结构预测,根据蛋白质序列的特点可以对这些序列数据进行量化和处理,再将关联规则算法用于序列数据集上寻找蛋白质序列中的关联关系。
+
+随着遥感导航定位、地球物理等卫星数量的增加,空间地球大数据为地球科学研究带来新机遇。传统数据分析方法以统计分析、非线性拟合为主,其在处理多维、海量数据时存在明显不足。基于关联规则的挖掘模式可以揭示海洋、陆地、大气等地球数据之间的关系,从而推动全球变化、灾害科学领域的发展。
From d4ffae4858b9de03d5c4fc162665d43ddb9dc061 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:21:16 +0800
Subject: [PATCH 0116/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 19 +++++++++++++++++++
1 file changed, 19 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 8673c842..2106bfc4 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -30,3 +30,22 @@
利用关联规则进行蛋白质结构预测,根据蛋白质序列的特点可以对这些序列数据进行量化和处理,再将关联规则算法用于序列数据集上寻找蛋白质序列中的关联关系。
随着遥感导航定位、地球物理等卫星数量的增加,空间地球大数据为地球科学研究带来新机遇。传统数据分析方法以统计分析、非线性拟合为主,其在处理多维、海量数据时存在明显不足。基于关联规则的挖掘模式可以揭示海洋、陆地、大气等地球数据之间的关系,从而推动全球变化、灾害科学领域的发展。
+
+#### 优缺点
+优点:
+
+1. 可以产生清晰有用的结果;
+
+2. 支持间接数据挖掘;
+
+3. 可以处理变长的数据;
+
+4. 它的计算的消耗量是可以预见的。
+
+缺点:
+
+1. 当问题变大时,计算量增长得厉害;
+
+2. 难以决定正确的数据;
+
+3. 容易忽略稀有的数据。
From 940363b5808c574dd9087ab4ce928ed441694645 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Fri, 12 Jan 2018 09:25:27 +0800
Subject: [PATCH 0117/1406] Update README.md
---
README.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/README.md b/README.md
index f57b4ed4..d5eba4ec 100644
--- a/README.md
+++ b/README.md
@@ -61,7 +61,7 @@
* [决策树](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/DT/DT.md)
* [聚类分析](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/CAS/CAS.md)
* [关联规则](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/ARS/ARS.md)
- * [支持向量机(SVM)]()
+ * [支持向量机(SVM)](https://github.com/KeKe-Li/tutorial/blob/master/assets/src/ARS/ARS.md)
后面的算法和我们的算法模型,我会持续更新整理,后续的算法章节会不断的补上,希望可以对新入门学习AI开发和算法的开发者有所帮助!
From d46feb860ae2507355f5ce62fc13f6a78be9e2a9 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 13 Jan 2018 09:21:05 +0800
Subject: [PATCH 0118/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 38 +-------------------------------------
1 file changed, 1 insertion(+), 37 deletions(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 2106bfc4..e05c9d92 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -12,40 +12,4 @@
如今的机器学习领域主要的研究工作在三个方面进行:1)面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2)认知模型,研究人类学习过程并进行计算模拟;3)理论的分析,从理论的层面探索可能的算法和独立的应用领域算法。
-#### 关联规则
-关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。随着大量数据不停地收集和存储,许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系,可以帮助许多商务决策的制定,如分类设计、交叉购物和贱卖分析。关联规则挖掘的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中不同商品之间联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略。例如,在同一次去超级市场,如果顾客购买牛奶,他也购买面包(和什么类型的面包)的可能性有多大?通过帮助零售商有选择地经销和安排货架,这种信息可以引导销售。例如,将牛奶和面包尽可能放近一些,可以进一步刺激一次去商店同时购买这些商品。
-
-
-
-
-
-#### 应用领域
-关联分类算法是继贝叶斯( Bayes) 、支持向量机( SVM) 等机器学习方法之后的又一重要分类技术,广泛应用于文本分类、Web文档分类、医学图像分类。经典的关联分类算法有CBA、CMAR、CPAR;
-
-网络入侵检测技术作为防火墙技术强有力的助手,有效弥补了防火墙策略处理黑客攻击、信息窃取问题时出现的不足,成为网络安全监控系统可靠的保障。传统的入侵检测系统(IDS) 运用关联规则生成入侵检测标准规则库,通过判断网络数据与规则库的匹配度产生告警数据流。
-
-
-隐私保护数据挖掘是指在数据挖掘的过程中通过采用数据干扰和查询限制的基本策略对原始数据进行保护,避免商业敏感数据、个人隐私数据泄露。
-
-利用关联规则进行蛋白质结构预测,根据蛋白质序列的特点可以对这些序列数据进行量化和处理,再将关联规则算法用于序列数据集上寻找蛋白质序列中的关联关系。
-
-随着遥感导航定位、地球物理等卫星数量的增加,空间地球大数据为地球科学研究带来新机遇。传统数据分析方法以统计分析、非线性拟合为主,其在处理多维、海量数据时存在明显不足。基于关联规则的挖掘模式可以揭示海洋、陆地、大气等地球数据之间的关系,从而推动全球变化、灾害科学领域的发展。
-
-#### 优缺点
-优点:
-
-1. 可以产生清晰有用的结果;
-
-2. 支持间接数据挖掘;
-
-3. 可以处理变长的数据;
-
-4. 它的计算的消耗量是可以预见的。
-
-缺点:
-
-1. 当问题变大时,计算量增长得厉害;
-
-2. 难以决定正确的数据;
-
-3. 容易忽略稀有的数据。
+####
From 842c4fa173b6a5171fb89f62c47e5481998c80a8 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 13 Jan 2018 09:21:22 +0800
Subject: [PATCH 0119/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index e05c9d92..41161f67 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -12,4 +12,4 @@
如今的机器学习领域主要的研究工作在三个方面进行:1)面向任务的研究,研究和分析改进一组预定任务的执行性能的学习系统;2)认知模型,研究人类学习过程并进行计算模拟;3)理论的分析,从理论的层面探索可能的算法和独立的应用领域算法。
-####
+#### 支持向量机(SVM)
From 996b04b4258f235f36c3bfeacffcfd83a64667df Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 13 Jan 2018 09:21:34 +0800
Subject: [PATCH 0120/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 41161f67..4e50eff4 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -13,3 +13,4 @@
#### 支持向量机(SVM)
+支持向量机建立在计算学习理论的结构风险最小化原则之上。其主要思想是针对两分类问题,在高维空间中寻找一个超平面作为两分类的分割,以保证最小的分类错误率,而且支持向量机一个重要的优点是可以处理线性不可分的情况。
From 01526ccde2db06488eadbb363d575e81d1c2939e Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sat, 13 Jan 2018 09:21:47 +0800
Subject: [PATCH 0121/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 4e50eff4..9fb10b31 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -14,3 +14,4 @@
#### 支持向量机(SVM)
支持向量机建立在计算学习理论的结构风险最小化原则之上。其主要思想是针对两分类问题,在高维空间中寻找一个超平面作为两分类的分割,以保证最小的分类错误率,而且支持向量机一个重要的优点是可以处理线性不可分的情况。
+支持向量机学习的基本思想是求解能够正确划分训练数据集并且使得几何间隔最大的分离超平面,满足几何间隔最大的超平面是唯一的。
From a94ae83bf77d33dfc8ed3f3b389223f37b14a620 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:39:01 +0800
Subject: [PATCH 0122/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 9fb10b31..23671c92 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -15,3 +15,6 @@
#### 支持向量机(SVM)
支持向量机建立在计算学习理论的结构风险最小化原则之上。其主要思想是针对两分类问题,在高维空间中寻找一个超平面作为两分类的分割,以保证最小的分类错误率,而且支持向量机一个重要的优点是可以处理线性不可分的情况。
支持向量机学习的基本思想是求解能够正确划分训练数据集并且使得几何间隔最大的分离超平面,满足几何间隔最大的超平面是唯一的。
+
+
+#### 应用背景
From e63fada61be607734dc8610fb4be38df0fffab45 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:39:13 +0800
Subject: [PATCH 0123/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 23671c92..3fe75fcb 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -18,3 +18,4 @@
#### 应用背景
+支持向量机的第一篇论文由Vladimir Vapnik 和他的同事Bernhard Boser 及Isabelle Guyon 于1992年发表,前期基础工作早在20世纪60年代就已经出现,虽然SVM的训练非常缓慢,但由于其对复杂的非线性边界的建模能力,他们是非常准确的,并且和其他模型相比,他们不太容易发生过拟合,因此在手写数字识别、对象识别以及基准时间序列预测检验等方面成功应用。
From 28ec674489aea28b61de60b8e471c89c130d1362 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:39:27 +0800
Subject: [PATCH 0124/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 3fe75fcb..027b7cc5 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -19,3 +19,6 @@
#### 应用背景
支持向量机的第一篇论文由Vladimir Vapnik 和他的同事Bernhard Boser 及Isabelle Guyon 于1992年发表,前期基础工作早在20世纪60年代就已经出现,虽然SVM的训练非常缓慢,但由于其对复杂的非线性边界的建模能力,他们是非常准确的,并且和其他模型相比,他们不太容易发生过拟合,因此在手写数字识别、对象识别以及基准时间序列预测检验等方面成功应用。
+
+
+#### 算法应用
From d83868d5da4c68a6b2bf8f9ed7ee30fba4604e32 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:39:37 +0800
Subject: [PATCH 0125/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 1 +
1 file changed, 1 insertion(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 027b7cc5..6b75ab24 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -22,3 +22,4 @@
#### 算法应用
+用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
From 77b719d7ac68e1595f7bc2c96d13d95d4eb462da Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:39:59 +0800
Subject: [PATCH 0126/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 5 ++++-
1 file changed, 4 insertions(+), 1 deletion(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 6b75ab24..6a25c9bb 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -22,4 +22,7 @@
#### 算法应用
-用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
+
+1.用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
+
+2.用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
From 4ae6304d1d4766e1e595160012ea453cace0c381 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:40:30 +0800
Subject: [PATCH 0127/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 2 ++
1 file changed, 2 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 6a25c9bb..97ef57b5 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -26,3 +26,5 @@
1.用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
2.用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
+
+3.用于医学中分类蛋白质,超过90%的化合物能够被正确分类。用于手写字体识别。
From 7d14e907d6611959be5e7b56ce0da61d9726eb23 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:41:08 +0800
Subject: [PATCH 0128/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 3 +++
1 file changed, 3 insertions(+)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 97ef57b5..fa88f286 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -28,3 +28,6 @@
2.用于文本和超文本的分类,在归纳和直推方法中都可以显著减少所需要的有类标的样本数。
3.用于医学中分类蛋白质,超过90%的化合物能够被正确分类。用于手写字体识别。
+
+
+
From 6de5c61d59c7819d405787fdf66703399dc62d34 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:41:29 +0800
Subject: [PATCH 0129/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index fa88f286..4fe79f05 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -17,7 +17,7 @@
支持向量机学习的基本思想是求解能够正确划分训练数据集并且使得几何间隔最大的分离超平面,满足几何间隔最大的超平面是唯一的。
-#### 应用背景
+#### 算法背景
支持向量机的第一篇论文由Vladimir Vapnik 和他的同事Bernhard Boser 及Isabelle Guyon 于1992年发表,前期基础工作早在20世纪60年代就已经出现,虽然SVM的训练非常缓慢,但由于其对复杂的非线性边界的建模能力,他们是非常准确的,并且和其他模型相比,他们不太容易发生过拟合,因此在手写数字识别、对象识别以及基准时间序列预测检验等方面成功应用。
From a174af4c60ca5fc6006c2c04a9dc8c6b4e388989 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:41:51 +0800
Subject: [PATCH 0130/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 4fe79f05..73c90a09 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -17,7 +17,7 @@
支持向量机学习的基本思想是求解能够正确划分训练数据集并且使得几何间隔最大的分离超平面,满足几何间隔最大的超平面是唯一的。
-#### 算法背景
+#### 背景
支持向量机的第一篇论文由Vladimir Vapnik 和他的同事Bernhard Boser 及Isabelle Guyon 于1992年发表,前期基础工作早在20世纪60年代就已经出现,虽然SVM的训练非常缓慢,但由于其对复杂的非线性边界的建模能力,他们是非常准确的,并且和其他模型相比,他们不太容易发生过拟合,因此在手写数字识别、对象识别以及基准时间序列预测检验等方面成功应用。
From 93536ab8d2e1fcb9a5c7fd410568eb9ee146c954 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Sun, 14 Jan 2018 10:42:01 +0800
Subject: [PATCH 0131/1406] Update ARS.md
---
assets/src/ARS/ARS.md | 2 +-
1 file changed, 1 insertion(+), 1 deletion(-)
diff --git a/assets/src/ARS/ARS.md b/assets/src/ARS/ARS.md
index 73c90a09..4fe79f05 100644
--- a/assets/src/ARS/ARS.md
+++ b/assets/src/ARS/ARS.md
@@ -17,7 +17,7 @@
支持向量机学习的基本思想是求解能够正确划分训练数据集并且使得几何间隔最大的分离超平面,满足几何间隔最大的超平面是唯一的。
-#### 背景
+#### 算法背景
支持向量机的第一篇论文由Vladimir Vapnik 和他的同事Bernhard Boser 及Isabelle Guyon 于1992年发表,前期基础工作早在20世纪60年代就已经出现,虽然SVM的训练非常缓慢,但由于其对复杂的非线性边界的建模能力,他们是非常准确的,并且和其他模型相比,他们不太容易发生过拟合,因此在手写数字识别、对象识别以及基准时间序列预测检验等方面成功应用。
From 401cdedf72fe131180bf2ca632b797433c86b6f2 Mon Sep 17 00:00:00 2001
From: keke <2536485681li@gmail.com>
Date: Mon, 15 Jan 2018 09:13:06 +0800
Subject: [PATCH 0132/1406] change page
---
assets/images/121.jpg | Bin 0 -> 7832 bytes
assets/images/122.jpg | Bin 0 -> 1925 bytes
assets/images/123.jpg | Bin 0 -> 8666 bytes
assets/images/124.jpg | Bin 0 -> 9712 bytes
4 files changed, 0 insertions(+), 0 deletions(-)
create mode 100644 assets/images/121.jpg
create mode 100644 assets/images/122.jpg
create mode 100644 assets/images/123.jpg
create mode 100644 assets/images/124.jpg
diff --git a/assets/images/121.jpg b/assets/images/121.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..5f44795e536076a5ea5aaa39bf0264b4772a54cc
GIT binary patch
literal 7832
zcmZu$2Q*ykw;zV+HAF8_LI{c8dqxeSmm$RHV+f;{tA!+@Tm)AeqDDq%l+mLM(HXsu
zE>WWe;mN)Ct@nR#y>s?D>#TLYwfFb!{oD22Oy4X6sI}F#)B$*ScmUhm8*noRPy-O(
zxkGe^keG;wh=hcgl$?%&oQ#Z|iS{lP9UC(TI~y}AD<_XIA1Bu%ZdO))sfUlAh=_}e
zbMVP1NQ=q~i;0Wgv;)Y90p9`Jcz85`n=Swc0Dwn$E8@45e=j_IAOYbWB4QF!vfBkH
zY5+bS5Qt9zBqSstxLqA``yD_)Lr8mHMCHz1gO@~Ho^+z&i64o%RjWGa4Mz`n#O%Bx
zNJ#H7FfuXoKH%ejC?GB&DJ3lYG!U>39)x@baHlag?sz>`uPV0
zM!t@Ue)INSOj7cPl+?7p(lhe%3kr*hKb3s0uBk=U)i*SvzjStW_h5SazK)G!Cnl$+
zXJ%J$t842Un_JsEhetn-PfpLye_q_o0*HT~M+tCt!JilNH&yvi1e6AwC@93N0`*}
zATIgA%hS(wdyz~FWA*>d_#gKFJR64ToZDuvWe)ms^inszFz#J#tE+YmAnSRk17<;n
zBUhr{3GdM<>)9U?U6NcxFdOM)k25#y!;>^u*(VB@Gv$!refpNc(h;E^)T5DfBagoj
zR<@!Su_YVmo&O_GFuWFP*om`=VG`ffKD>JW429l*D#w`8`2>KVVo%}gWTNP;hWS8G!zi=+!9%$U^M)jovn7>`AYt!;k6)b`>$?8tW#8yM`R&?eyR73i)3Gzfw>n``Ulof$~}**U+tkN1|OryvUo(nf*ih!b1W^4YK-mmMz+tN+UKU41=C-%{YL9ybm!uJW7
zXxc9~ZDEaD(`#^R-sWvMjJ_*iMu5mF{*^jN%h)Hxl!8Sss6TArW0Lq&CMQ4JPxYJdh|@=c+ool0P*k(FX`Sjrx(9b
zCrh63&b@4LZug1?f4-2
zrwS8+UtwO101L7|h<|j?Q8RJP{6kf{FosmI;7t44do&sC0a}aBA`Fnl`)sS=KMYIIiSQ+2PqibO=_9lo%hKM=p5+@?F+
z78@-0X`UX;qN{fH9mB~)lOMaLcL=~R;Wh)q>s_-GT-I{
zuzeW5C9`aL7A>AO(kxQ!;-$5rP)o-0M23m&P34wC)NjbscQ;G<9;tZJ>d-|(xnm;~
zQzBQI(!V<;clsSQ*Gn1*cESZ6%JX>Q=1&CM-DkKb(X#xdnM-8O%pZE73k>=ViRjw8
zt*&2Q3WH9rmg0d-^%KWJ3Z`J`t2Z@u%E(9LU#$p%`@&M>UY_;m$lU6ddaN6+sW!zS
z!eljV@nBQcc(|+g
zjnY_8q$(i#hXd3f3|uwaJ0S
zN(;hTB9zA}e%Ly{t1zP-fw#OCPx1+Jxc{cwaPP48GWM!&>QMZy(nn)kGT;cLjowmC
zDYoKxGk*3IqdQ)nx})X?R6V2RzYihql)JOro$v~lT3#YIcBxI8B;^f_+;B9XsCqL=Rgg7%QW(s4{Y+tldv
zNh8`9XR!r~Td=(>5xKRu#?kDg|Gf5Q(E)kMu0g(B
z%=v$&53QOfOt2u8!igJl|3x`R^0VrSCyUk0GQOG%O>Gjb!qzQBXQE)H`^Ic+?-8Gq
zaXRUK?8>S_y1pY30ecte$CX_@+`7A)1l`dI*+X*O!~_MRg%lOOb&rxY=DGjg?cdp{
z)&JK=dFZRDs&n-*bscY$jAJ?uIaX0X2+@oAsmLkx75?G+*2J6F6`M&=3y5QN@4TG@
zOU$Oc@QDA(#nh;=5pRqP&c86uJ`Rh_kBuh!#NAMCquK}~1Ba3>h=_i-1W!nY}6J>Y%O@{BPT0cu%KF}gd9Nz$DIikc{^oA|Q
zg-%#VQla3eCD!*NG4=nGs0>h(waD$O_quvtac+0lyJeefeU_P9K*3X&YW{ZDRJ1BM
zkVfhk9Bhz9qxzLZDDSk+uv;T
zMnU%e397oG&+c8r!SiYY^I*Nm2M>+c^&7rxFcHKb`}>*0Y;^DJNYrCCcYD<1S*Vil+C<=^N;Vg+Wb02ua6`|YWHTf84;V36ICYns@OZh?!U
z*&H`0X~X5ihkEs)@p{f05u-5TEiLXaX!pv3;R0`x5}m7F&nr6FkkcTNVRe{94w}J
z@}i<*GavY8A$2)-NLJU0V*PqT1Tkghdyk4OcAZj5(h3q~OgY|Glw6Yst2Z1Xk|lFK
zSJxqJk?8=X)`VR6oUgxP3l#gg`M3L54S-bx75s?f`p
zB#+SN)O)Hn{kXUes?9=p@Suitd$NQf+9TU8iMa7nV!UqR71e>Hi6$E*)w3xmh|Wx`
zd~Sa0>>Ex`!e>}
z!1zR0bk2NiPyDi5i0}&?te9MZSmCXFft=s;il)cN=+ZimryEKqT%E6
zD`8un<6LOcjo>E~bu~CSt!b8;kkedIEo#kNjo}H7_@y}SiGd;AsjeUq_nCXL-feDx
zRd#4`O3r>LGHrXf%p3c6krWI+^iyvgQ{>qh43rXD>)BvZr8iSw!$UM|g>;lNw?_WT
z5+`e5Fqv{NjbC&C`$yhqIqhE!H&iIks9QE`8%)Q6JM0o
zF4K-ufnI)%4=VwFDsTPmPIQ(F8XoMZqAmxl_{dl(f13n0NN-DQYGXO!GzDt(49hv;
zz4aJ2O_u_M$nXc19CIFMeENJ*7cW7ZJU8Fx5K7I((h&A2_k@6*DI|fZf+FYc;akc3<1LBl`=lJ5Y%B80OfK_3Fve?k>%_RoiY07RKI}z1Jq28GhgQS9EmN5Ig(NTcY5Z0oEqq9b@3d
zRO#$&hl2}6S*aF9Ge38{I3sDUEkMAMKd)LIRG@=2SBLSMd+a)Z-&e`3`a!1v!1okY_%PgBM%TB1K<1JSTg41Nia{
z5nD{aVPJeEgIst~HW6J++gW1Xzplv;E^14kg0~5E`axj2PG?|MqIt!KBY9v<<2+kh
zr1Q?AXWD%_jAU4a4_FQ)ygusz!OJ2*i!WYxGR`3vVQ2qOz?H``xakCdHxt
zg9BS2`_fS9D9E&}vUcK;Lv?F7U)=|o|GYiNbzAUhX$$_T`Jy%DwO^(|Rh&hUXM&<6
zk6?mP4^`U>R1=8KSj>73Txqd)|J~bO$`vh+IBjAF0&0~tn#I)LNuIv|j$-`LJ`9vN
za4+-p^g}LMS!+E??h_MhZd}w0+RU1ey^uSFH8!PzCYMt!GA5bwjtt)Mzm68FuN-FT
z4hjcEP^noV-msh-87Xr3U$xMD`CY$Hz3g~QCRH9_bwUukW`~}=?TnHI&W%inN6}mL
zV;Zbrk?Kib*hk+J(zW<3;I#YTZ~wK2qTSNC=APH^dVDwUzc(T#y1e%mp=i3=_PiKn
zIfml*fl0DV`_odTizTzfGf_2gMjj(;O(mO*BP;v*H}K%3$Q4v@vGdo>(#0N+`wjxlZRKS`xw18y?_yIfO~V%x6rO
z{_;>qP1TloU$)?+1il{DO~zrP&5U*!@fA~aI+;=3Cz;bb5XY*Qb#h%8f~;Mi6H_4f
z;j-y2oeA`k45s%LEZ6(GQv1nQJ;m2Fy_`qHYs@_dlZD=V=n)@_r|49~r=H-|T@gv&
zULr<$Y7J@bl0olVm+-3Z4(2PX`^;FLT=Iao>QKX^RC9oIEr@i5k=OgSmA$
zHAHi%EBle<3>6YQ`3EqKp)|eX`}F=nX6Y7X^*Xk`!rINN@(mlbDz41PROa;W?$>n9ad>5V+J2
zx(U0Nw*!7oR=!F2!4oR5cMS8>Iiz^oGWPgma~)6ld8RaX6`RV%WE7nN2+qzuwr`6q
z3kKz@+c%-UF3f(M^~mk`DK_qv+z6kCa7*O7;6iAB=vB4q>di_&P7Z0y7WnA71VH4s
zxO9sfbyatAX|cp2^YMvKxpF|Z=V>|_I7T09g-{%{_+G|5-gSfRUR2x6OH2(+0jZ;d
zwY!bW9{0H^pY$UPFyzJatO;MrZ?}OEPAP|Rj&PbUZkj-77RA<8l_s@`yc(_G6XCn&
ztqcbnnGOM-`A}aGS6Ni;%PE6a`~cwj#6qRURN_iqE3HB&H)Mb;jQSFuY$I(JaFEvVB|4Rx@m#
z@ZdqWHUtzUrq5&+Y4x>l$sCt=uGDwIG&*FD!9^~$B{Pu52z6c)v9qa>*qjROOB!?8
zJ4Pul{|qT{F1P$%A1$xKhRa3^=L`3z^aN+7InXo!bG<G
zB7)Oh8{=Euo26a_jXw5Cc#{X^zZ$NzDjWEEM?aPRL*ns5@^^~hLbF!Na@t~PZX~^qnO0ebKaBQGOmtL=n)%|+RBZMWltGYiWFM5d8|3%qrinfuuGBk
zzA8Ij=jBAzF(dngst&(Ap|6CXgYl?4`1(QoT63NwC(jxpH#wSpIqV6v_TSc|@`UQn
zIn=ZnI;f^HUhZxV80&X0#juHLmVH{)%r{>JJvE3jVFU!?=~Zx_4<9Oi`yv9$+ZuRZ
zvY^qj+52EYEIjYM^{^TDBd^K9DbdniNCj{(}BtwBzIz!9iph7OMyzePTTKGnDC
zg8I=OhluUJ1fStC8Ol`>$*_f2I2AaU8I}ScGIGX72=-m6Tq>PAnYTfk1T)K?G>K`k
zntStP9Z)S?Pzp?>eW4Ki5@@+}9>9~<<*PjC0hhZ0l)WP6H`|M{)xLZcWR|N6cMsCpI0qSnHhENX6j)qf?f)F74B^wEB9bMr%n{`J{X8
zq@8)2+^OAKDY_ExY}n4S}^T()T72rSWpLPeP@HNDSM93A+n+0%d4
z9MhlZ-d0MJpDS{qYA>Snr`_=}pUIv2O^EC}+X%uI>aud0teIu|nR{cI81I-8MNkF$
z(3w6%yH)x}2x<3H9f#d-QT6Bl7$bcHa2CO^slm@cPy;JWEN=_8_FDy&vmeF13LiW!
z2kCo#zcv(VB65A?6Gx`9uGr5_;04z6-&zH#j6U&XK3Yw$XFN?JM`Rt=UXY*B-y%Hm
z9uh|4a0Ae+{a`g)hih_p?z_pRAs?UO)mM(_xzifYUmgP#eY&0qW)0J1V%m>E{9Ulz
z&eu}Q3Z|iG`wRDCw=_w3T=mmmRDaAzB5=*!ZB9AFl11)OJ$ZH4?l*vH67|8xp@CIj
zIiKN{K*zYe?N;_N+_*PVa~H-nG(CZQp;a
zOlQJoV=?Z{rci+bPs44-UNVswu#w3vkT@i*d{OhL{!N)Y(;cOOiJNt6M>SOhl2oqY|dr
zm4Ru>590Ce&i;GbbF)`L+`br~!wyepvE
zoSXitqj&cRNuFR}V`yNt|Mojyv~#dZv6#@p+Xw!mT2j8Nym^?4!-qXyBJB{csZ`~T
zB=rk$-IkN`7JT{!V0mQoK8JSyxW8uk20-2+j_w|S3}nzW;>g8NboTq)Z7+u#W)C!?
z_E2St{Z@xrW;L!=Zbxo=ebjSqR)UX$-a2w7SzNmzrYki6*DxlAzasrw-k9Pj51hh|mxwK!
z9=M;#Ot%bP-2lX^Y4zbFUe)BZTzS263u3FwTQ$^R{!$fA)v9?E%Pu^)e
zbowwZU6r)*9u6McPzTGcEU=Bj+#QU9;FU_`g{dN2+9iB5QC1xHtSQH`tVzSmJttT}PQfFA2g!iZCw9Qr*47<1v6LB{Ca05-_Fv)nrqPaS&1{Rcks
z{7<~qTXZ%287-Oitwx@vS}dnM{O80CfIy4yO0b1gnb|_A<|F65_4tk+T?jbXV0;M_
ze{|FX2KPyLd{49=6I9A#ytDR7nTRLhn>AZ>t%S*>on%tiBVl%I((=y+5bUdleoF$x
zilcMVbRt-YtM_MeCndT23@6Dr!39F|N^rvYKhW7R87%dyrgVB?&?|3}Ea-henI+qz
z*T6^c#xNTZ#A+e!OH+vGoN@%lI8mwE-M-Pq{;hm+Q~7-IpLZAluL4Q?IEaM1n-3Cb
zd-8%_LdAr$n$}ewXE4qEVbRwEZqZn!kTPpH{66&_0_RJE5J-L!KWnUOad7nF5!ks)
zt`5xd%vcJ=cV#Y3wprRS=zs_KKtjZ6=Jw3(!_^JIegh6-&7uVevF1U*2b4&x_m5Ce3oj5~@Y`!Z3Jg!Gg7c#blO
z;&&)n*C!0lENU7URfY8mT^2EI3y-J>s|6Gbh@Za-UB+)@(_i7la!=XoYN`c&c6ISh
ze$DrN6d64mDKFBawI6j{eyKYyBre1($6_4HMaPpWhfteHPdF5j;W>NIJhig*7^g(>
umHIOWS(`zu0CfA007LTt2HDv*#cm43-j7;X8sE|iSY6O
literal 0
HcmV?d00001
diff --git a/assets/images/122.jpg b/assets/images/122.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..89e3fe2ae0fcd874cfaf7cfa21650dc8224241af
GIT binary patch
literal 1925
zcmbW!c{G~~769-s`Lc-Zi3UNeQBqqG@dPa?iETWkRib*VRg~6VOO35nO-Ti%F)fc+
z>v`{#sim!=#NPJVf`q;zmNMR0yGT2RnK^IHnZM?}d(Zvr-gD3Wox4A^{|=CGqB+t4
z2m}K79VDF3UH8oY!A)hceu`(o@nj9{Hpin4D2}!J!6xKuor(yEDW4{wXive-~2ZU$>
zP&5QYL-u$13)1l2!(-gI1F|$opR6zU}(6k
zhA{4YwRH%`bWKTS-k1A{IGUkV8gi;0bkzm|}glzHQ3)~)Q@jQoPadqu_f*(DX6%Bt#`
z+PX)LO@DpT+|t_i^ksJsx3{lriJM>I{+#W1H><&V2ic%u7;
zTtM`QxV)C>+|kWL+P`G~A1vb!$$o?V*Tn}ULCC@LKr~6xy#3YksxpqgQ
zJ|Uo)$>Y&I;#(!@{arfwp0zmf%${m`oL;-dTcXyax54W%=II;&DdKie99Pn>Tn+WS
zT06x}8k8mXv1PaOZvDDE!%S7`VEK4_t>m|)#jah}OH|$bVZMkTr=BRQ36=iaMzZ9&
zs$7xR)U1AzWskvn(P9LTx_zN6elh%Ed1L#vm{J!rv6b(1+ecdEM@h9bHqFDAqvjgE
zH%Xp1nB?urb3(&jrKku^`cQt2F#qkk7Lxf2@bCd@o3;aW%eqo{qqgEkEW8x5tXC
zVtNTs-oq5>ni@*-l^9Gv793B?{8gGt4Xjlb)pyDGHVOLu-o)pn{Jry%n$M*5oO7FL
zheW7u_!9fL;i7n;F3e%;nO>fQWu*O|N<%ijob|wo#?ZJEO$dmpV3FMW?6e?)i#B2JIglL*rkEr2mJR7v@uFaENw>~X>^4@TW%rBv(
zYK+ZryGCzR#QMlGKPYX`0S_#z6WsQ4c*P8S@|}G^s!vASb)8hK%6Qxs_*uy&c08-G
zA&&i{A6>!e={XU-IaZ(Tf&6;K*6%0VKC7MD#Yw~R#-ha?%bx>Vh=~^$V9oPZ9qqYO
zifcKlZPoBw9kUIF52Z)nE0mGLztnz*`6in31s=jgl7>QmSm@nrAL6Q?&$Zxr72ds{
z76c0%m$kO2shXM%Ey-#~l+O{-|2$FCr=RYwIS6ulJcfuffSKL~masZc2@vVTEz((Anh>^$%Kd_|5wGlFFiz{19V)&kGti`?-*9@bX>j
z=V-bY96y8G_IiQ8&;OL^Jq~YeWe98py68MdRyHgJVw#xF?-7;L{N&ga{3wI@%FIhp
z%MwCK-5p0;S3|0MSeHUxhgH40L3}H?kpJFFIinGG(beN5r+hD+ipjDVeXXaJFxQ{m
z7I|ZXElgh_7JM32u^66piH_h9U9k*LyyefaXI9CkZZ_giBT9Uq>P3SL%_WcspGCvrK$1zb`Tm)0CbO(u6!X%HjlJ
zgOTcG*VAICm`>-fy4`1*os$J#%QvwW9416XiX1*K@}9vp>4sCSrONl!b41lf4
z)S6b(HFV^2z=8rhmc1?}pA>5)=bx70EvMq;fs2{R
z8*`}7ibfz@M;Qd5WlX=p32VTixrn@^X$wVNAFWF2Pu`7)yL{q#!?E+X!Qrm7P{2C!
cLCQ?jT_-{%A|ri+aU0lDN+c>n+a
literal 0
HcmV?d00001
diff --git a/assets/images/123.jpg b/assets/images/123.jpg
new file mode 100644
index 0000000000000000000000000000000000000000..178c25c040ae6fa4a322b44636db7b9a0842c2a4
GIT binary patch
literal 8666
zcmeI1dr;F?7RPViA)pcg0U-zh8XktcKu8FnycAee9`YzlH7_7Q5=a6Glorq;59wgC
zu6A9uf-g!}X;^%(h>EB<%1{Lnx+@^qVwIPOE~}gU1z6~GJ3F%5*_oaGZssQEcYo*J
zbHAT^{y3AX@7DJL)9}!+P=G)nz&7Xu^!=vags8cI9X^o2KAaDxfJ1YiO%0hj |