[机器学习] Gaussian Processes for Machine Learning

说明： C. E. Rasmussen & C. K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, 2006
<qq_42809850> 在 上传 | 大小：3145728

[机器学习] 机器学习中各种熵总结

说明： 机器学习中各种熵的总结笔记，包括对应公式及详细解释说明。
<albert201605> 在 上传 | 大小：516096

[机器学习] 人脸数据库

说明： 人脸识别数据库，本数据库为欧美明星人脸共162个个体，每个人约有2百张人脸，差异较大 人脸识别数据库，本数据库为欧美明星人脸共162个个体，每个人约有2百张人脸，差异较大
<qq_42845404> 在 上传 | 大小：56623104

[深度学习] 基于SIFT+Kmeans+LDA的实现源码

说明： 基于SIFT+Kmeans+LDA的图片分类器的实现源码 博文 基于SIFT+Kmeans+LDA的图片分类器的实现源码 博文
<cfj13883489045> 在 上传 | 大小：55574528

[深度学习] 路径规划程序

说明： 移动机器人的路径规划问题是机器人研究领域的重要分支，一直以来国内外有很多学者关注该问题。到目前为止，该领域有了重大突破，并取得了一系列的成果。现阶段应用于解决路径规划问题的优化算法有很多，但是大多数算法自身存在很大的缺陷。在障碍物复杂的环境下很难规划出有效的路径，因为未知环境下的移动机器人只有极少的先验知识。需要能激发出发现和创造的火花。自20世纪50年代中期创立了仿生学以来，人们从生物进化的机理中收到极大的启发，提出了许多用以解决复杂优化问题的新方法，蚁群算法便是其中的一种。该方法自创立以来
<qq_35930783> 在 上传 | 大小：6144

[深度学习] 基于蚁群的机器人路径规划代码

说明： 白色栅格表示机器人可以在其中自由移动，黑色栅格表示障碍栅格，表示机器人无法逾越。本文旨在当机器人遇到障碍栅格时，能根据传感器获得的信息和控制器的有效控制使得机器人绕开障碍物并找到一条有效路径，并通过MATLAB仿真实验验证蚂蚁算法的优越性。
<qq_35930783> 在 上传 | 大小：49152

[深度学习] 深度学习 Python dedp learning

说明： Copyright © 2017 Packt Publishing All rights reserved. No part of this book may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, without the prior written permission of the publisher, except in the case of bri
<qq_42702963> 在 上传 | 大小：8388608

[机器学习] 二项分布与正态分布的区别

说明： 通过案例说明二项分布与正态分布的相似性，同时也说明了相关字段公式得出
<qq_28459443> 在 上传 | 大小：176128

[深度学习] Deep Learning-Based Classification of Hyperspectral Data

说明： 我们通过遵循基于经典光谱信息的分类来验证堆叠自动编码器的合格性。其次，提出了一种新的空间主导信息分类方法。然后，我们提出了一种新颖的深度学习框架来合并这两个特征，从中我们可以获得最高的分类准确性。该框架是主成分分析（PCA），深度学习架构和逻辑回归的混合体
<monotonomo> 在 上传 | 大小：2097152

[深度学习] Learning Deep and Wide: A Spectral Method for Learning Deep Networks

说明： 提出了多光谱神经网络（MSNN）来学习多列深度神经网络的特征，并将倒数第二层次判别流形嵌入到紧凑的表示中。
<monotonomo> 在 上传 | 大小：795648

[机器学习] 对于行列式稀疏矩阵处理

说明： 对于矩阵的处理，由于含有较少的数据而矩阵规模较大，这样在处理矩阵时经常遇到处理不当造成数据提取不正确影响使用效果。
<hbj1104863230> 在 上传 | 大小：9437184

[深度学习] Representation Learning: A Review and New Perspectives

说明： 本文回顾了近期在无监督特征学习和深度学习领域的工作，包括概率模型，自动编码器，流形学习和深度网络的进展。 这激发了关于学习良好表征的适当目标，计算表示（即推理）以及表示学习，密度估计和流形学习之间的几何关联的长期未答案问题。
<monotonomo> 在 上传 | 大小：1048576