mathjax local

.gitignore

@@ -1,6 +1,6 @@
-*/._.*
-*.DS_Store
-site
-/build
-*.data
-**/.Archive
+*/._.*
+*.DS_Store
+site
+/build
+*.data
+**/.Archive

.travis.yml

@@ -1,22 +1,22 @@
-language: python
-
-python:
-  - 3.4
-
-install:
-  - pip install mkdocs
-  - python setup.py install
-
-script:
-  - mkdocs build --clean
-
-after_success: |
-  if [ -n "$GITHUB_API_KEY" ]; then
-    cd "$TRAVIS_BUILD_DIR"
-    cd site
-    git init
-    git add .
-    git -c user.name=$GITHUB_MEOWJ_NAME -c user.email=$GITHUB_MEOWJ_EMAIL commit -m "Auto Deployment"
-    git push -f -q https://Meow-J:[email protected]/LearnOpenGL-CN/learnopengl-cn.github.io master
-    cd "$TRAVIS_BUILD_DIR"
+language: python
+
+python:
+  - 3.4
+
+install:
+  - pip install mkdocs
+  - python setup.py install
+
+script:
+  - mkdocs build --clean
+
+after_success: |
+  if [ -n "$GITHUB_API_KEY" ]; then
+    cd "$TRAVIS_BUILD_DIR"
+    cd site
+    git init
+    git add .
+    git -c user.name=$GITHUB_MEOWJ_NAME -c user.email=$GITHUB_MEOWJ_EMAIL commit -m "Auto Deployment"
+    git push -f -q https://Meow-J:[email protected]/LearnOpenGL-CN/learnopengl-cn.github.io master
+    cd "$TRAVIS_BUILD_DIR"
   fi

docs/02 Overview of Supervised Learning/2.1 Introduction.md

@@ -1,10 +1,10 @@
-# 导言
-
-原文     | [The Elements of Statistical Learning](../book/The Elements of Statistical Learning.pdf)
-      ---|---
-翻译     | szcf-weiya
-时间     | 2016-08-01
-
-第一章中描述的三个例子有一些共同的组成部分。每个例子中都有一些变量，这些变量可以记作输入（*inputs*），可以是测量得到或者预设。这些变量对一个或多个输出（*outputs*）有影响。每个例子的目标便是利用输入去预测输出的值。这样的过程称之为监督学习（*supervised learning*）。
-
-我们已经使用了更现代的机器学习的语言。在统计学中，输入变量（*inputs*）通常称作预测变量（*predictors*），是一个与输入变量等价的说法，更经典的说法是独立变量（*independent variables*）。在模式识别中，更倾向于采用特征（*features*）的说法，我们也会采用这一说法。输出变量（*outputs*）被称作响应变量（*responses*），或者更经典的说法是因变量（*dependent variables*）。
+# 导言
+
+原文     | [The Elements of Statistical Learning](../book/The Elements of Statistical Learning.pdf)
+      ---|---
+翻译     | szcf-weiya
+时间     | 2016-08-01
+
+第一章中描述的三个例子有一些共同的组成部分。每个例子中都有一些变量，这些变量可以记作输入（*inputs*），可以是测量得到或者预设。这些变量对一个或多个输出（*outputs*）有影响。每个例子的目标便是利用输入去预测输出的值。这样的过程称之为监督学习（*supervised learning*）。
+
+我们已经使用了更现代的机器学习的语言。在统计学中，输入变量（*inputs*）通常称作预测变量（*predictors*），是一个与输入变量等价的说法，更经典的说法是独立变量（*independent variables*）。在模式识别中，更倾向于采用特征（*features*）的说法，我们也会采用这一说法。输出变量（*outputs*）被称作响应变量（*responses*），或者更经典的说法是因变量（*dependent variables*）。

docs/02 Overview of Supervised Learning/2.2 Variable Types and Terminology.md

@@ -1,26 +1,26 @@
-# 变量类型和术语
-
-原文     | [The Elements of Statistical Learning](../The Elements of Statistical Learning.pdf)
-      ---|---
-翻译     | szcf-weiya
-时间     | 2016-08-01
-
-这些例子中的输出变量本质都不相同。在预测葡萄糖的例子中，输出变量是定量（*quantitative*）的测量结果，有些测量结果大于其他的，而且测量结果在数值上相近也意味着结果本质上相近。著名的R.A.Fisher分辨鸢尾花种类例子中，输出变量（鸢尾花的种类）是定性的(*qualitative*)而且假设取值为有限集合 ${\cal G}=\\{Virginica,Setosa,Versicolor\\}$ 。在手写数字的例子中，输出变量的取值是10个不同数字之一：${\cal G}=\\{0,1,...,9\\}$ 。在这些例子中分类没有明显的顺序，而且事实上经常用描述性标签而不是数字来代替这些分类。定性变量也被称为类别型（*categories*）或者离散（*discrete*）型变量，也被称作因子（*factors*）。
-
-对于两种类型的输出变量，考虑使用输入变量去预测输出变量是有意义的。给定今天和昨天特定的大气测量结果，我们想要预测明天的臭氧层。给定手写数字的数字化图片中像素的灰度值，我们想要预测该图片是属于哪一个类。
-
-输出类型的差别导致对预测的命名规定：当我们预测定量的输出时被称为回归（*regression*），当我们预测定性的输出时被称为分类（*classification*）。我们将会看到这两个任务有很多的共同点，特别地，两者都可以看成是函数逼近。
-
-输入变量也有各种各样的测量类型；我们可以有定性的输入变量和定量的输入变量两者中的一些变量。这些也导致了预测中方法类型的不同：一些方法更自然地定义为定量的输入变量，一些方法更自然地定义为定性的输入变量，还有一些是两者都可以的。
-
-第三种变量类型是有序分类（*ordered categorical*），如小（*small*）、中（*medium*）和大（*large*），在这些值之间存在顺序，但是没有合适的度量的概念（中与小之间的差异不必和大于中间的差异相等）。这将在第四章中讨论。
-
-定性的变量常用数字编码来表示。最简单的情形是只有两个分类，比如说“成功”与“失败”，“生存”与“死亡”。这些经常用一位二进制数来表示，比如0或1，或者用-1和1来表示。因为一些显然的原因，这些数字编码有时被称作指标（*targets*）。当存在超过两个的类别，一些其他的选择是可行的。最有用并且最普遍使用的编码是虚拟变量（*dummy variables*）。这里有$K$个水平的定性变量被一个$K$位的二进制变量表示，每次只有一个在开启状态。尽管更简洁的编码模式也是可能的，虚拟变量在因子的层次中是对称的。
-
-我们将经常把输入变量用符号 $X$ 来表示。如果$X$是一个向量，则它的组成部分可以用下标$X_j$来取出。定量的输出变量用$Y$来表示，对于定性的输出变量采用$G$来表示(group的意思)。当指一般的变量，我们使用大写字母$X,Y,G$来表示，对于观测值我们用小写字母来表示；因此$X$的第$i$个观测值记作 $x_i$ （其中，$x_i$要么是标量要么是向量）矩阵经常用粗体的大写字母来表示；举个例子，$N$个$p$维输入向量$x_i,i=1,\cdots,N$可以表示成$N\times p$的矩阵 $\mathbf{X}$ 。一般地，向量不是粗体，除非它们有 $N$ 个组成成分；这个约定区分了包含变量$X_j$的所有观测值的$N$维向量 $\mathbf{x}_j$ 和第 $i$ 个观测值的 $p$ 维向量 $x_i$ 。因为所有的向量都假定为列向量， $\mathbf{X}$ 的第 $i$ 行是 $x_i$ 的转置 $x_i^T$ 。
-
-现在我们可以不严谨地把学习叙述成如下：给定输入向量$X$，对输出$Y$做出一个很好的估计，记为 $\hat{Y}$ 。如果$Y$取值为$\mathbf{R}$，则 $\hat{Y}$ 取值也是 $\mathbf{R}$ ；同样地，对于类别型输出，$\hat{G}$ 取值为对应 $G$ 取值的集合 $\cal{G}$。
-
-对于只有两种类别的$G$，一种方式是把二进制编码记为$Y$，然后把它看成是定量的输出变量。预测值 $\hat{Y}$ 一般落在 $[0,1]$ 之间，而且我们可以根据 $\hat{y} > 0.5$ 来赋值给 $\hat{G}$ 。这种方式可以一般化为有 $K$ 个水平的定性的输出变量。
-
-我们需要数据去构建预测规则，经常是大部分的数据。因此我们假设有一系列可用的测量值 $(x_i,y_i)$ 或 $(x_i,g_i),i=1,\cdots,N$ ，这也称之为训练数据(*training data*)，将利用这些训练数据去构建我们的预测规则。
+# 变量类型和术语
+
+原文     | [The Elements of Statistical Learning](../The Elements of Statistical Learning.pdf)
+      ---|---
+翻译     | szcf-weiya
+时间     | 2016-08-01
+
+这些例子中的输出变量本质都不相同。在预测葡萄糖的例子中，输出变量是定量（*quantitative*）的测量结果，有些测量结果大于其他的，而且测量结果在数值上相近也意味着结果本质上相近。著名的R.A.Fisher分辨鸢尾花种类例子中，输出变量（鸢尾花的种类）是定性的(*qualitative*)而且假设取值为有限集合 ${\cal G}=\\{Virginica,Setosa,Versicolor\\}$ 。在手写数字的例子中，输出变量的取值是10个不同数字之一：${\cal G}=\\{0,1,...,9\\}$ 。在这些例子中分类没有明显的顺序，而且事实上经常用描述性标签而不是数字来代替这些分类。定性变量也被称为类别型（*categories*）或者离散（*discrete*）型变量，也被称作因子（*factors*）。
+
+对于两种类型的输出变量，考虑使用输入变量去预测输出变量是有意义的。给定今天和昨天特定的大气测量结果，我们想要预测明天的臭氧层。给定手写数字的数字化图片中像素的灰度值，我们想要预测该图片是属于哪一个类。
+
+输出类型的差别导致对预测的命名规定：当我们预测定量的输出时被称为回归（*regression*），当我们预测定性的输出时被称为分类（*classification*）。我们将会看到这两个任务有很多的共同点，特别地，两者都可以看成是函数逼近。
+
+输入变量也有各种各样的测量类型；我们可以有定性的输入变量和定量的输入变量两者中的一些变量。这些也导致了预测中方法类型的不同：一些方法更自然地定义为定量的输入变量，一些方法更自然地定义为定性的输入变量，还有一些是两者都可以的。
+
+第三种变量类型是有序分类（*ordered categorical*），如小（*small*）、中（*medium*）和大（*large*），在这些值之间存在顺序，但是没有合适的度量的概念（中与小之间的差异不必和大于中间的差异相等）。这将在第四章中讨论。
+
+定性的变量常用数字编码来表示。最简单的情形是只有两个分类，比如说“成功”与“失败”，“生存”与“死亡”。这些经常用一位二进制数来表示，比如0或1，或者用-1和1来表示。因为一些显然的原因，这些数字编码有时被称作指标（*targets*）。当存在超过两个的类别，一些其他的选择是可行的。最有用并且最普遍使用的编码是虚拟变量（*dummy variables*）。这里有$K$个水平的定性变量被一个$K$位的二进制变量表示，每次只有一个在开启状态。尽管更简洁的编码模式也是可能的，虚拟变量在因子的层次中是对称的。
+
+我们将经常把输入变量用符号 $X$ 来表示。如果$X$是一个向量，则它的组成部分可以用下标$X_j$来取出。定量的输出变量用$Y$来表示，对于定性的输出变量采用$G$来表示(group的意思)。当指一般的变量，我们使用大写字母$X,Y,G$来表示，对于观测值我们用小写字母来表示；因此$X$的第$i$个观测值记作 $x_i$ （其中，$x_i$要么是标量要么是向量）矩阵经常用粗体的大写字母来表示；举个例子，$N$个$p$维输入向量$x_i,i=1,\cdots,N$可以表示成$N\times p$的矩阵 $\mathbf{X}$ 。一般地，向量不是粗体，除非它们有 $N$ 个组成成分；这个约定区分了包含变量$X_j$的所有观测值的$N$维向量 $\mathbf{x}_j$ 和第 $i$ 个观测值的 $p$ 维向量 $x_i$ 。因为所有的向量都假定为列向量， $\mathbf{X}$ 的第 $i$ 行是 $x_i$ 的转置 $x_i^T$ 。
+
+现在我们可以不严谨地把学习叙述成如下：给定输入向量$X$，对输出$Y$做出一个很好的估计，记为 $\hat{Y}$ 。如果$Y$取值为$\mathbf{R}$，则 $\hat{Y}$ 取值也是 $\mathbf{R}$ ；同样地，对于类别型输出，$\hat{G}$ 取值为对应 $G$ 取值的集合 $\cal{G}$。
+
+对于只有两种类别的$G$，一种方式是把二进制编码记为$Y$，然后把它看成是定量的输出变量。预测值 $\hat{Y}$ 一般落在 $[0,1]$ 之间，而且我们可以根据 $\hat{y} > 0.5$ 来赋值给 $\hat{G}$ 。这种方式可以一般化为有 $K$ 个水平的定性的输出变量。
+
+我们需要数据去构建预测规则，经常是大部分的数据。因此我们假设有一系列可用的测量值 $(x_i,y_i)$ 或 $(x_i,g_i),i=1,\cdots,N$ ，这也称之为训练数据(*training data*)，将利用这些训练数据去构建我们的预测规则。