專 欄 ❈楼宇，Python中文社区专栏作者。一位正在海外苦苦求学的本科生。初中时自学编程，后来又在几位良师的帮助下走上了计算机科学的道路。曾经的 OIer，现暂时弃坑。兴趣不定，从机器学习、文本挖掘到文字识别以及各种杂七杂八的知识都有一点点涉猎。同时也对物理学有相当大的兴趣。 知乎：https://www.zhihu.com/people/lou-yu-54-62/posts GitHub：https://github.com/LouYu2015❈ 用 Python 分析《红楼梦》（1） 6 词频统
谷歌发布了ARCore 1.7，可以帮你定制一张3D“面具”，人脸贴合几乎天衣无缝。
15.旋转选定目标后要回车一次，角度可以输入正负，正为顺时针。旋转时可以选择复制。
在图形学中，Texturing是一个将物体表面绘制上图像或者其他数据的过程。纹理贴图通过修改物体表面的渲染效果，达到一种更加真实渲染的目的。
http://blog.csdn.net/u011239443/article/details/78048424 对于机器学习的问题，有一部分可以通过数学推导的方式直接得到用公式表达的解析解，但对绝大多数的问题来说，解析解是不存在的，需要使用迭代更新的方法求数值解。然而实数的精度是无限的，而计算机能够表达的精度是有限的，这就涉及到许多数值计算方法的问题。 4.1 上溢和下溢 由于计算机表达实数的精度的有限，在某些情况下许多复杂的复合运算中的四舍五入会导致一个接近0的小数变为0或者一个非常大的数被认为是无穷，
今天我们接着上一讲的平面几何欧拉定理的证明，来看看与之相关的九点圆定理的证明以及其中的数学智慧。
从第一个数1开始，相邻的数不能够放在一起，所以再次 选择 3 即 1+3 =4 从第二个数2开始，相邻的数不能够放在一起，所以再次 选择 1 即 2+1 =3 所以 4 作为最长预约时长
https://linxi99.gitee.io/20190211/ACM计算几何篇/
偏导数刻画了函数沿坐标轴方向的变化率，但有些时候还不能满足实际需求。为了研究函数沿着任意方向的变化率，就需要用到方向导数。
1884年，英国著名的艺术兼神学家埃德温·A·艾勃特以科幻小说的形式，出版了一本非常有趣的小书《平面国: 一个多维的传奇故事 Flatland: A Romance of Many Dimensions》。他怎么也想不到，这本通俗有趣的小册子将成为他最为著名的著作而流芳百世，这本小说是如此的伟大，以至于必须给他挂上“数学”科幻小说的头衔才行。这本书具有强烈的英国维多利亚时期的风格，英国人的讽刺幽默再一次清晰有力的展现出 “批判现实主义”的写作风格。艾勃特则将这种“批判”借助于描述一种虚构的简单到让人吃惊的世界-平面世界来映射当时的社会现象。
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/sinat_35512245/article/details/53232808
基于欧式距离的分割和基于区域生长的分割本质上都是用区分邻里关系远近来完成的。由于点云数据提供了更高维度的数据，故有很多信息可以提取获得。欧几里得算法使用邻居之间距离作为判定标准，而区域生长算法则利用了法线，曲率，颜色等信息来判断点云是否应该聚成一类。
攻读鉴于之前MIT的线代笔记没有跟新完和很多童鞋希望pdf版本下载学习，这里我把相关资源放到github上并重新更新完，希望对大家学习有所帮助。
穷举法：是猜测与检验算法的一个变种。我们枚举所有可能性，直至得到正确答案或者尝试完所有值。
点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。
前言 动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一篇完整概括和介绍支持向量机的导论性的文章。 本文在写的过程中，参考了不少资料，包括《支持向量机导论》、《统计学
数字图像是真实世界中的对象通过光学成像设备在光敏材料上的投影。在3D到2D的转换过程中，深度信息会丢失。从单个或多个图像中恢复有用的3D信息需要使用立体视觉知识进行分析。本文分别介绍了针孔摄像机模型和对极几何的基本知识。
论文链接：https://www.researchgate.net/profile/Sven-Behnke-2/publication/221104985_Efficient_Multi-resolution_Plane_Segmentation_of_3D_Point_Clouds/links/0912f5012c7339e394000000/Efficient-Multi-resolution-Plane-Segmentation-of-3D-Point-Clouds.pdf
作者：Savan Patel 时间：2017年5月3日 原文：https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72
本文介绍的雷达系统采用单脉冲体制，具备精密跟踪的能力。每发射一个脉冲，天线能同时形成若干个波束，将各波束回波信号的振幅和相位进行比较，当目标位于天线轴线上时，各波束回波信号的振幅和相位相等，信号差为零；当目标不在天线轴线上时，各波束回波信号的振幅和相位不等，产生信号差，驱动天线转向目标直至天线轴线对准目标，这样可测出目标的方位角与俯仰角。从各波束接收的信号之和，可测出目标的距离，从而实现对目标的测量和跟踪功能。单脉冲雷达已经广泛应用，在军事上主要用于目标识别、靶场精密跟踪测量、导弹预警和跟踪、导弹再入弹道测量、火箭和卫星跟踪、武器火力控制、炮位侦查、地形跟随、导航、地图测绘等，在民用上主要用于交通管制。
SVM模型大家可能非常熟悉，可能都知道它是面试的常客，经常被问到。它最早诞生于上世纪六十年代。那时候虽然没有机器学习的概念，也没有这么强的计算能力，但是相关的模型和理论已经提出了不少，SVM就是其中之一。
从今天开始整理一些关于支持向量机-Support Vector Machine 的相关知识，大约发6-8篇的博客，敬请关注~欢迎推荐~ 好了，由于这个东西本身就不好懂，要深入学习需要花费较多的时间和理。虽然现在网上有较多的参考文xian写的很不错，但是自己在学习的时候感觉所描述的数学公式还不够详尽，所以，借助于网上的一些资料和自己的理解，尝试整理一份比较适合初学者理解的资料。在这之前参考了较多的资料，有“支持向量机导论”，“统计学习方法”以及网上的一些博客，就不一一的详细列出了。
Hough是基于特征值提取技术的图像变换方案。Hough运用两个坐标空间的之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转换为统计峰值问题。
获取摄像机的内参和外参矩阵（同时也会得到每一幅标定图像的选择和平移矩阵），内参和外参系数可以对之后相机拍摄的图像就进行矫正，得到畸变相对很小的图像。
光流的概念是Gibson在1950年首先提出来的。它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者两者的共同运动所产生的。其计算方法可以分为三类：
“谈情说AI” 有段日子没有更新了，今天我们挽起袖子继续新的一节。从今天起我们的学习之旅进入了新的阶段，之所以说是新的阶段，是因为之前讲的几个模型：线性回归、朴素贝叶斯、逻辑回归和决策树等背后的数学推导都算初级难度。今天开始讲AI的经典算法——SVM，经过几天坐地铁时间的学习终于搞清楚了SVM背后的来龙去脉。废话少说，让我们进入 “谈情说AI” 新的旅程——SVM。
一直以来过冷水都有给大家分享图像拟合的知识、从泰勒级数说傅里叶级数、Matlab多项式拟合初探，本期过冷水给大家讲讲统计回归做拟合。
没有任何基础怎么学PS平面设计？学平面设计要学哪些内容？想知道如何设计？然后你应该学习设计的基础知识。设计的基本元素包括色彩、线条、形状、规模、空间、纹理和价值。基本件构成任何一件作品的东西。如果你开始一个设计课程，这将是你的第一件事，你的教导，保证。
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍什么是主成分分析法PCA。
文/孟永辉 由于缺乏严格的市场监管和自律机制，装修市场经常会出现“乱施工”、“乱建设”的情况。这种情况不但给广大业主造成了损害，还给整个装修市场的形象造成了影响。面对这些装修乱象，已经装修好的你是不是有些心有余悸？而即将装修的你，是不是也有些望而却步呢？今天就让我们看看那些装修施工的乱象，为即将装修的人寻找一条走向装修正途的捷径。 乱象一：水电工开槽不规范，隐蔽工程风险大 隐蔽工程是整个装修过程中最难规范和把控的部分。很多水电工在水电开槽之前并未严格按照开槽的规范进行操作，在最初的画线阶段便已抛开图纸凭想
01 单刀直入，先回答有必要吗？ 最近和许多朋友交流，发现当前机器学习应聘时，手推SVM这道题已经越来越像快速排序一样，成为必点菜了。 那么，手推SVM是不是必要的呢？正反双方各执一词，正方说，手推SVM才能看出应聘者的理论基础，反方说，现实中，SVM限于性能，应用面很小，尤其是现在xgboost, lightGBM等高性能的boosting框架的盛行，更让SVM成为了好看不好用的东西。能说清楚基础原理就可以了，没必要手推。 我的观点是：如果你是应聘者，不要思考这个问题，赶紧多推几遍SVM，争取达到闭眼也能
该博客实时更新于我的Github。 在机器人局部路径规划中，需要实时躲避运动或者静态的障碍物，这个过程涉及到碰撞检测这个问题，本文主要讨论这个问题。 碰撞检测问题也是游戏开发中经常遇到的问题，一个游戏场景中可能存在很多物体，它们之间大多属于较远位置或者相对无关的状态，那么一个物体的碰撞运算没必要遍历这些物体，我们可以使用一个包围一个或多个物体的多边形来讨论碰撞问题，这样子可以节省重要的计算量和时间。 在真实的物理系统中，一般需要在运算速度和精确性上做取舍。尽管非常精确的碰撞检测算法可以
今天菜鸟和大家一起来讨论一下3D入门的基础性知识：「Mesh」它是3D模型能正常展现的重要因素。（文末有奖问卷调查，感谢各位老铁支持！）
前言 发现有小伙伴对cve这种证书念念不忘 想起来自己刚入行的时候 也在满世界的寻找如何获取cve证书的途径。 现在发现申请cve证书非常简单。 1 想要申请当然需要一个漏洞了。 这里比较简单的就是一些大的cms的插件。 比如wordress的插件。 又比如在github找一写小众的源码。 又比如在源码站上找一下简单的cms。 cms寻找平台： https://www.sourcecodester.com/ 图片 图片 github 图片 方式方法有很多，上述只做参考。 找到cms，审计出漏洞之后，记得记
智能眼镜的崛起，是必然的趋势。大约在四年前，我认识Steve Mann教授时，就毅然决然地去研究智能眼镜了。Steve Mann，世界穿戴电脑之父，是一个疯狂的全才，号称“当代达芬奇”。没事作个小曲，
文章：STD: Stable Triangle Descriptor for 3D place recognition
原文链接：必须收藏！双目立体匹配算法：Patch Match Stereo实用详解教程
上篇文章中我们介绍了MongoDB中索引的简单操作，创建、查看、删除等基本操作，不过上文我们只介绍了一种类型的索引，本文我们来看看其他类型的索引。 ---- _id索引 我们在上文介绍过，我们往集合中添加文档时，默认情况下MongoDB都会帮助我们创建一个名为_id的字段，这个字段就是一个索引。默认情况下，一般的集合都会帮我们创建这个字段作为索引，但也有一些集合不会将_id默认作为索引，比如固定集合，这个我们后面的文章会详细说到这个问题。 复合索引 如果我们的查询条件有多个的话，我们可以对这多个查询条件都建
Pine 萧箫 发自 凹非寺 量子位 | 公众号 QbitAI 又一个重要数学猜想，被陶哲轩和他的博士后破解了！ 此前陶哲轩在博客上发了个小预告，就已经有不少人赶来围观： 看起来是个大新闻。 现在，不少人期待的正式版论文，终于在arXiv上新鲜出炉： 这个猜想，与我们熟悉的“铺瓷砖”问题有关—— 用什么样的几何瓷砖，能恰好“天衣无缝”地铺满整个地板平面。 它名叫周期性平铺猜想（periodic tiling conjecture），即在一个平面（plane）中，不存在可以非周期性覆盖整个平面的单个几何
版权声明：由于公众号后台规则问题，本文暂时无法设置原创标记，但仍属原创内容，微信公众号“Python小屋”坚持只发原创技术文章。
计算的概念看似简单却又十分宽泛，它实际上是计算机学科永远不变的核心内容，就算现在所谓的人工智能，在我看来也不过是一种计算或计算结果的应用。本文将从简单的例子出发，逐步推广到目前人工智能的前沿研究领域，阐述我理解的计算的概念，希望借此培养大家的计算式思维方式，我们将看到这种思维方式是可以上升到一种行为方式的。
最近在思考，如何将团队的中级开发工程师培养为高级软件开发工程师，这里记录下思路。 高级软件开发工程师定义 知识体系 形成自己独特的知识体系，有广度，亦有深度，熟悉框架原理 把握技术发展的趋势，善用而非
之前分享的地址又更新了全网电子书都在这了：ZLibrary 官方通道来了，不再担心找不到最新地址，配合这个脚本简直完美
SVM 和线性分类器是分不开的。因为SVM的核心：高维空间中，在线性可分（如果线性不可分那么就使用核函数转换为更高维从而变的线性可分）的数据集中寻找一个最优的超平面将数据集分隔开来。
随着移动设备的普及和互联网的发展，响应式布局成为了现代网页设计中必不可少的一部分。通过响应式设计，网页可以根据用户所使用的设备自动调整布局，使用户在不同的屏幕尺寸下都能获得良好的浏览体验。
本文出现的数据结果和码源见：https://download.csdn.net/download/sinat_39620217/18269941
---- 新智元报道 编辑：Joey 好困 【新智元导读】梦想中的搬砖机器人来了！昨天，波士顿动力家发布新视频，王牌机器人Atlas在模拟工地上抬木板、三级跳、扔工具包都是小case。 自2016年首次亮相以来，波士顿动力双足机器人Atlas已经红了整整五年半。 这不，昨天波士顿动力发布了一条新视频，机器人Atlas又整了新活，变身「工地打工机器人」。 抬抬木板、搬搬砖什么的，都不在话下，还兴奋地转个圈。 上上台阶跑跑步什么的更是小case，从速度到稳定性都是丝滑。 再来一个转身起跳，顺
算法介绍： kNN (k-Nearest Neighbour) 算法是一种用于分类和回归的非参数的方法，可以用目标点周围所观察到的数据得平均值来预测出目标点 x 的值。本文将会介绍kNN的回归和分类算
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
该博客实时更新于我的Github。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议
