近年来，许多有效的在线学习算法的设计受到凸优化工具的影响。 此外，据观察，大多数先前提出的有效算法可以基于以下优雅模型联合分析： 　　 　　凸集的定义： 　　 　　一个向量 的Regret定义为： 　　 　　如前所述，算法相对于竞争向量的集合U的Regret被定义 ...

　　一些在线预测问题可以转化到在线凸优化框架中。下面介绍两种凸化技术： 　　一些在线预测问题似乎不适合在线凸优化框架。例如，在线分类问题中，预测域（predictions domain）或损失函数不是凸的。我们描述了两种凸化技术，它们允许我们在其他场景中使用在线凸优化框架 ...

的平面是三维的，n维空间的平面是n-1维的仿射集。 凸集 定义：集合C内的任意取两点，形成的线段均在集 ...

　　因为本人近期在学习凸优化的内容，所以决定第一篇帖子写一些关于凸优化理论的相关介绍，希望对那些对凸优化有兴趣的同学和初学者有帮助。 　　首先想要和大家说的是，凸优化听上去是一门很高深的数学理论，其实学习凸优化的基础要求其实并不是很高，对于大部分大学理工科的本科生应该都没有问题，关键就是高等数学 ...

紧接上文，我们讲述在线分类问题 令，为0-1损失，我们做出如下的简化假设： 学习者的目标是相对于hypotheses set: H具有low regret，其中H中的每个函数是从到{0,1}的映射，并且regret被定义为: 我们首先证明这是一个不可能完成的任务 ...

　　最自然的学习规则是使用任何在过去回合中损失最小的向量。 这与Consistent算法的精神相同，它在在线凸优化中通常被称为Follow-The-Leader，最小化累积损失。 　　对于任何t: 　　　　　　　　　　　 　　 　　我们谈到了能最小化累计损失不能说明此算法在在线学习场景 ...

开启一个在线学习和在线凸优化框架专题学习： 1.首先介绍在线学习的相关概念 在线学习是在一系列连续的回合（rounds）中进行的； 在回合,学习机（learner）被给一个question：(一个向量，即为特征向量),为从instance domain：采样得到的。学习机给出一个预测值 ...

近几天，浏览了大量的memcached相关文章，又自己动手实践了一番至此，对memcached有了更加深入的了解在继续编写memcached操作类（基于java_memcached-release）的同时留下一些自认为比较重要的知识，算是总结一下吧如果其中有理解不当的，请高手给予指点，万分感谢 ...