注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 计算机二级公共基础知识

  2. 1. 算法的基本概念 利用计算机算法为计算机解题的过程实际上是在实施某种算法。 （1）算法的基本特征 算法一般具有4个基本特征：可行性、确定性、有穷性、拥有足够的情报。 （2）算法的基本运算和操作 算法的基本运算和操作包括：算术运算、逻辑运算、关系运算、数据传输。 （3）算法的3种基本控制结构 算法的3种基本控制结构是：顺序结构、选择结构、循环结构。 （4）算法基本设计方法 算法基本设计方法：列举法、归纳法、递推、递归、减半递推技术、回溯法。 （5）指令系统 所谓指令系统指的是一个计算机系统能

  3. 所属分类：数据库

    • 发布日期：2011-04-30
    • 文件大小：82944
    • 提供者：zmxnlp

  1. 四级数据库重难点(word版)

  2. 第1章 引言 1. 数据是描述现实世界事物的符号记录，是用物理符号记录下来的可以识别的信息。 数据是信息的符号表示，是载体；信息是数据的语义解释，是内涵。 2. 数据模型是对现实世界数据特征的抽象，是数据库系统的形式框架，用来描述数据的一组概念和定义，包括描述数据、数据联系、数据操作、数据语义以及数据一致性的概念工具。 满足三条件：比较真实地模拟现实世界；易于人们理解；易于计算机实现 三个组成要素：数据结构（静态，数据对象本身结构及之间的联系）、数据操作（对数据对象操作及操作规则的集合）和完整

  3. 所属分类：其它

    • 发布日期：2009-01-21
    • 文件大小：140288
    • 提供者：courage0603

  1. 半监督序数聚类的最大余量法

  2. 通常将序数回归（OR）定义为输入样本按序数等级进行排序的任务。 OR已经发现了各种各样的应用程序，并且已经完成了很多工作。 但是，大多数现有工作都集中在有监督/半监督的OR分类上，并且尚未明确解决半监督或OR聚类的问题。 在现实世界的OR应用程序中，标记大量的训练样本通常是耗时且昂贵的，而可以使用一组未标记的样本来建立OR模型。 此外，尽管样本标签不可用，但有时我们可以获得未标记样本的相对排名信息。 此样本排名信息可用于完善OR模型。 因此，如何在未加标签的样本上建立OR模型并将样本排名信息纳入

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：2097152
    • 提供者：weixin_38743084

  1. 通过无监督随机图分区发现视频镜头类别

  2. 视频镜头通常被视为从视频中检索信息的基本元素。 近年来，视频拍摄分类已受到越来越多的关注，但是大多数方法都涉及监督学习的过程，即在标记的数据上训练多类预测器（分类器）。 在本文中，我们研究了一种无监督地发现视频镜头类别的通用框架。 贡献在特征，表示和推断上有三方面的贡献：（1）提出了一种新功能，用于捕获视频中的本地信息，该视频由小视频块（例如像素）定义。 视频单词词典因此可以离线聚类，以表征外观和运动动态。 （2）我们提出了将分类归类为自动图形分区任务的问题，因为每个图形顶点代表一个视频镜头，而

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：1048576
    • 提供者：weixin_38587155

  1. 一种用于分类数据聚类的数据标记方法

  2. 随着数据规模的快速增长，群集非常大的数据集不可避免地会耗时。 为了提高聚类的效率，通常使用抽样来缩小数据集的大小。 但是，在应用采样后，如何将未标记的对象分配到适当的群集中是一个非常困难的问题。 本文基于给定聚类中属性值的频率和不同聚类中属性值的分布，提出了一种新颖的相似性度量，将每个未标记的对象分配到相应的适当聚类中，以对分类数据进行聚类。 提出了分类数据的标注算法，并分析了其对应的时间复杂度。 实际数据集上的实验表明了该算法的有效性。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：205824
    • 提供者：weixin_38630612

  1. 聚类分类时间数据的框架

  2. 在无监督学习中经常做出的基本假设是，问题是静态的，即，类别的描述不会随时间变化。 但是，许多实际的群集任务都涉及不断变化的环境。 因此，人们认识到，分析不断变化的环境趋势的方法和技术越来越受到关注和重视。 尽管聚类数值随时间变化的数据的问题已得到很好的探讨，但是聚类分类随时间变化的数据的问题仍然是一个具有挑战性的问题。 在本文中，我们提出了一个用于分类时间演化数据的通用聚类框架，该框架由以下三种算法组成：一种用于检测当前滑动窗口与最后一个滑动窗口之间差异的漂移概念检测算法，一种数据标记算法该算法

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：262144
    • 提供者：weixin_38530995

  1. lstm自动编码器以进行异常检测：使用LSTM自动编码器检测异常并对稀有事件进行分类-源码

  2. LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：99328
    • 提供者：weixin_42123456