Uninstall any existing gnuplot on your OSXbrew uninstall gnuplotInstall gnuplot with either X or X11brew-install gnuplot --with-x11Finally, set the GNUTERM to X11setenv("GNUTERM","X11") 或者 brew install gnuplot --with-qt setenv("GNUTERM","qt")原文：http://www.cnblogs.com/turtle920/p/5197786.html
这是Coursera上比较火的一门机器学习课程，主讲教师为Andrew Ng。在自己看神经网络的过程中也的确发现自己有基础不牢、一些基本概念没搞清楚的问题，因此想借这门课程来个查漏补缺。目前的计划是先看到神经网络结束，后面的就不一定看了。当然，看的过程中还是要做笔记做作业的，否则看了也是走马观花。此笔记只针对我个人，因此不会把已经会了的内容复述一遍，相当于是写给自己的一份笔记吧。如果有兴趣，可以移步《Machine Learn...
Logistic Regression 逻辑回归ClassificationexamplesEmail: Spam/Not Spam? 电子邮件是否是垃圾邮件Online Transactions: Fraudulent(Yes / No)? 网上交易是否是诈骗Turmor: Malignant / Benign? 肿瘤是良性还是恶性\(y \in \{0, 1\}\) 要预测的变量y能够取0和1两个值0: "Negative Class" (e.g., benign tumor) 通常标记为0的类称为“负类”，如良性肿瘤1: "Positive Class" (e.g., malignant tumor) 通常标记为1的类称为“正类”...
shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。它的输入参数可以使一个整数表示维度，也可以是一个矩阵。使用shape需要导入numpytile函数位于python模块 numpy.lib.shape_base中，他的功能是重复某个数组。比如tile(A,n)，功能是将数组A重复n次，构成一个新的数组使用shape需要导入numpy 原文：http://www.cnblogs.com/wlc297984368/p/5748502.html
Machine learning system designPrioritizing what to work on: Spam classification example在设计复杂的机器学习系统时将会遇到的主要问题，以及给出一些如何巧妙构建一个复杂的机器学习系统的建议。Building a spam classifier 垃圾邮件分类器思想：通过分词，将一封邮件转化为一个向量，从而将实际生活问题转化为了数学问题。具体：\(x\)是对应单词是否出现：出现为1，不出现为0；\(y\)表示邮件是否为垃圾邮件，是为1，否为0。...
Regularization 正则化The problem of overfitting 过拟合问题什么是过拟合问题、利用正则化技术改善或者减少过拟合问题。Example: Linear regression (housing prices) 线性回归中的过拟合对5个训练集建立线性回归模型，分别进行如下图所示的三种分析。如果拟合一条直线到训练数据（图一），会出现欠拟合(underfitting)/高偏差(high bias)现象（指没有很好地拟合训练数据）。
试着拟合一个二次函数的曲线（图二），符合各项要求。...
之前开发的项目中实用到IM聊天功能。可是这块功能公司有专门的IM团队来开发，由他们开发好后。直接接入到我们APP中。我參与写IM相关功能非常地少，所以也一直想学习相关知识 。
眼下Android主要用的是XMPP协议及OPenfireserver来实现IM功能，我也从这块入手学习。也感谢全部分享资料让我有机会学习的同行们。 如今正式開始啦。 第一步：搭建Openfireserver： Openfire工具下载地址：http://www.igniterealtime.org/downloads/inde...
最近研究上了这个一个东西--极限学习机。 在很多问题中，我大多会碰到两个问题，一个是分类，另一个就是回归。简单来说，分类是给一串数打个标签，回归是把一串数变为一个数。 在这里我们需要处理的数据一般维度都比较高，在处理这两类问题时最简单的方法就是加权。使那些对最终结果影响大的维度的数据的权设大点，影响小的权设小点。其实，影响小的这些维度的数据对于我们整个建立的模型也不是完全没有用的。至少它们保证...
P.S. SVM比较复杂，代码没有研究清楚，进一步学习其他知识后再来补充。以下仅罗列了最核心的知识，来自《机器学习实战》的学习摘要。优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。线性可分数据：画出一条直线将两组数据点分开。超平面（将数据集分隔开来的直线，为N-1维）：分类的决策边界。如果数据点离决策边...
Part4: Linear Regression with Multiple Variables 进入多变量线性回归~在看视频的时候发现了视频里面的一个错误:在Normal Equation的第8分钟左右,那个x的上下标写反了,应该是上标为1,2,3,4,下标一直为1. 多变量线性回归其实就是在单变量线性回归的基础上进Part4: Linear Regression with Multiple Variables进入多变量线性回归~在看视频的时候发现了视频里面的一个错误:在Normal Equation的第8分钟左右,那个x的上下标写反了,应该...
Part 7：Regularition 在机器学习中一个很重要的问题就是程序可能会产生overfitting的情况，什么是overfitting?just see below： overfitting就是程序针对所给出的训练集找到了一条曲线，能够把训练集几乎完美的分为2个部分，但是这条曲线过于复杂，并且失去Part 7：Regularition在机器学习中一个很重要的问题就是程序可能会产生overfitting的情况，什么是overfitting?just see below：overfitting就是程序针对所给出的训练集找到了...
1. 验证客户端的合法性
# server.py
import socket
import hmac
import os
secret_key=b"xuanxuan" # 设置密钥，通讯双方肯定首先约定好的，其他的不知道这个约定密钥的肯定连不上server
sk=socket.socket()
sk.setsockopt(socket.SOL_SOCKET,socket.SO_REUSEADDR,1)
sk.bind(("127.0.0.1",8080))
sk.listen()
conn, addr = sk.accept()
def check_conn(conn):msg=os.urandom(32) # os.urandom(32)可以随机发送32位的字节(byt...
Spark 运行环境
local 模式
在Day2中我们下载了spark-hadoop包，在本次我们将继续使用这个压缩包，首先解压到当前位置，更改文件夹名称为sparkLocal，进入该文件夹，输入下面指令可以开启spark-shell
bin/spark-shell我们可以在解压后的data文件夹内创建word.txt 文件，
cd data
vi word.txt
# 输入你想放入word.txt的内容 然后按esc，输入:wq， 按下Enter。然后再命令行工具下执行如下代码。
scala> sc.textFile("data/word.txt")...
