趙小胖的腦科學(xué)園地

摘要： 絕地求生：寫給博士生的17條建議 （公開測試版） 原著：Julio Peironcely 翻譯：P. S. Zhao 博客：http://www.rzrgm.cn/hdu-zsk/ 這個小冊子是我翻譯自胡里奧·佩倫斯雷（Julio Peironcely） 發(fā)布在NextScientist.c 閱讀全文

摘要： 諸位看官，這是我第一次在整篇文章的所有圖片里面加水印。小弟寫博客的時間不長，就有兩篇博客被盜用并未注明原文網(wǎng)址。這一方面使我痛心不已，另一方面迫使我不得不重新考慮一下版權(quán)保護問題。小弟不是吝嗇鬼，如果影響閱讀或者是確實需要我的圖片的，請私信我，我將免費為有需求的看官提供圖片。謝謝了！ 最小樹形圖（A 閱讀全文

摘要： 格蘭杰因果關(guān)系作為一種可以衡量時間序列之間相互影響關(guān)系的方法，最近十幾年備受青睞。無論是經(jīng)濟學(xué)[1]，氣象科學(xué)[2]，神經(jīng)科學(xué)[3]都有廣泛的應(yīng)用，盡管后兩者（氣象和神經(jīng)科學(xué)）連格蘭杰自己都反對（格蘭杰反對將格蘭杰因果關(guān)系用在除經(jīng)濟學(xué)以外的其他領(lǐng)域，這就是本文題目所謂的“野火”）[4]。鑒于筆者從未在氣象學(xué)有過半分建樹，所以不敢妄談。不過慶幸的是，經(jīng)過神經(jīng)科學(xué)家數(shù)十載的辛苦“洗地”，他們紛紛找到了自己‘合法’使用格蘭杰因果關(guān)系的理由[5]（Anil Seth是英國皇家科學(xué)院院士，筆者首推的‘地表最強洗地王’，也即本文題目所謂的“春風(fēng)”）。除了由克里夫·格蘭杰本人提出的格蘭杰因果關(guān)系之外，還有數(shù)種圍繞格蘭杰因果關(guān)系方法產(chǎn)生的變體，本文也將對這些變體分門別類，做出一些簡介。當(dāng)然，也正是因為胡先生認為應(yīng)當(dāng)遵從格蘭杰爵士的論文，所以才創(chuàng)立了‘新因果關(guān)系’專門解決神經(jīng)科學(xué)中的因果關(guān)系使用問題，不過這是后話了。 閱讀全文

摘要： 無論你從事何種領(lǐng)域的科學(xué)研究還是統(tǒng)計調(diào)查，顯著性檢驗作為判斷兩個乃至多個數(shù)據(jù)集之間是否存在差異的方法被廣泛應(yīng)用于各個科研領(lǐng)域。筆者作為科研界一名新人也曾經(jīng)在顯著性檢驗方面吃過許多苦頭。后來醉心于統(tǒng)計理論半載有余才摸到顯著性檢驗的皮毛，也為顯著性檢驗理論之精妙，品種之繁多，邏輯之嚴謹所折服。在此，特寫 閱讀全文

摘要： 第一部分 字典學(xué)習(xí)以及稀疏表示的概要 字典學(xué)習(xí)（Dictionary Learning）和稀疏表示（Sparse Representation）在學(xué)術(shù)界的正式稱謂應(yīng)該是稀疏字典學(xué)習(xí)（Sparse Dictionary Learning）。該算法理論包含兩個階段：字典構(gòu)建階段（Dictionary G 閱讀全文

摘要： python有多混亂我就不多說了。這個混論不僅是指整個python市場混亂，更混亂的還有python的各種附加依賴包。為了一勞永逸解決python的各種依賴包對深度學(xué)習(xí)造成的影響，本文中采用python的發(fā)行版Anaconda。 Step1 安裝Anaconda 這里不建議使用python3.4以后 閱讀全文

摘要： 這兩天為了搭載深度學(xué)習(xí)的Python架構(gòu)花了不少功夫，但是Theano對Python以及nunpy的版本都有限制，所以只能選用版本較新的python和nunpy以確保不過時。但是最新版Python和最新版numpy有點不完善，很多安裝步驟都要在命令行里完成，所以花了我很多時間，為了祭奠我安裝nump 閱讀全文

摘要： DeepLab是一款基于Matlab面向?qū)ο缶幊痰纳疃葘W(xué)習(xí)工具箱，所以了解Matlab面向?qū)ο缶幊痰奶攸c是必要的。筆者在做Matlab面向?qū)ο缶幊痰臅r候發(fā)現(xiàn)無論是互聯(lián)網(wǎng)上還是書店里賣的各式Matlab編程書上都對Matlab面向?qū)ο笏嵘跎偕踔翛]提。因此在DeepLab的使用說明書中專門添加Matl 閱讀全文

摘要： 機器學(xué)習(xí)從學(xué)習(xí)方式上來講，可以分為兩類： 監(jiān)督學(xué)習(xí)（Supervised Learning），簡而言之就是“有標簽”學(xué)習(xí) 無監(jiān)督學(xué)習(xí)（Unsupervised Learning），簡而言之就是“無標簽”學(xué)習(xí)為了便于今后的機器學(xué)習(xí)，吳恩達先生（Andrew Ng）特別提出了一些notation（漢... 閱讀全文

摘要： 在我們正式開始講解Hilbert-Huang Transform之前，不妨先來了解一下這一偉大算法的兩位發(fā)明人和這一算法的應(yīng)用領(lǐng)域 Section I 人物簡介 希爾伯特：公認的數(shù)學(xué)界“無冕之王”，1943年去世于瑞士蘇黎世。除此之外，自不必過多介紹。 黃鍔：1937年出生于湖北省；1975年進入N 閱讀全文