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. 花费1800元学习的seo内容公开.rar

  2. 花费1800元学习的seo内容公开.rar

  3. 所属分类：专业指导

    • 发布日期：2010-02-24
    • 文件大小：30720
    • 提供者：xlx7410

  1. 花费1800元学习的seo内容公开.rar

  2. 花费1800元学习的seo内容公开.rar

  3. 所属分类：专业指导

    • 发布日期：2010-04-01
    • 文件大小：30720
    • 提供者：zhouwenjie813

  1. 花费1800元学习的seo内容公开.rar

  2. 花费1800元学习的seo内容公开.rar花费1800元学习的seo内容公开.rar花费1800元学习的seo内容公开.rar花费1800元学习的seo内容公开.rar花费1800元学习的seo内容公开.rar

  3. 所属分类：专业指导

    • 发布日期：2011-01-13
    • 文件大小：30720
    • 提供者：zhangxuefan

  1. 面向生物医学命名实体识别的多Agent元学习框架

  2. 面向生物医学命名实体识别的多Agent元学习框架

  3. 所属分类：IT管理

    • 发布日期：2011-06-28
    • 文件大小：291840
    • 提供者：nick400

  1. 花费1800元学习的seo内容公开

  2. 花费1800元学习的seo内容公开

  3. 所属分类：互联网

    • 发布日期：2012-04-08
    • 文件大小：30720
    • 提供者：tom10010

  1. 1800元学习的seo内容

  2. 1800元学习的seo内容

  3. 所属分类：其它

    • 发布日期：2012-05-30
    • 文件大小：324608
    • 提供者：choovin

  1. 元学习——数据挖掘（对元学习的详细讲解）

  2. 元学习——数据挖掘中使用广泛的一种方法，其对数据在数据挖掘中内外存调度有着很好的解决方法，希望对大家有所帮助

  3. 所属分类：专业指导

    • 发布日期：2012-11-05
    • 文件大小：5242880
    • 提供者：dongqing0812

  1. Meta Learning（元学习， Learning to Learn）最新具有代表性文章10篇 【是pdf，不是代码，不知为什么名称后面自动加源码下载】

  2. Meta Learning（元学习，又叫 Learning to Learn）已经成为继Reinforcement Learning之后又一个重要的研究分支。这是Meta Learning领域最新具有代表性的十篇文章，值得精读，相信对机器学习学习者和研究者会有很大启发。

  3. 所属分类：机器学习

    • 发布日期：2018-01-01
    • 文件大小：17825792
    • 提供者：zhuf14

  1. 元学习(meta learning) 最新进展综述论文

  2. 本文综述了元学习在图像分类、自然语言处理和机器人技术等领域的应用。与深度学习不同，元学习使用较少的样本数据集，并考虑进一步改进模型泛化以获得更高的预测精度。

  3. 所属分类：机器学习

    • 发布日期：2020-05-08
    • 文件大小：943104
    • 提供者：syp_net

  1. 元学习与图神经网络逻辑推导（55页ppt）

  2. WWW2020的DL4G论坛，William L. Hamilton做了关于元学习与图上逻辑规则推导的报告，55页ppt。

  3. 所属分类：机器学习

    • 发布日期：2020-04-25
    • 文件大小：8388608
    • 提供者：syp_net

  1. 预训练文本表示作为元学习（Pre-training Text Representations）

  2. 在这项工作中，我们介绍了一个学习算法，它直接优化模型学习文本表示的能力，以有效地学习下游任务。我们证明了多任务预训练和模型不可知的元学习之间有着内在的联系。BERT中采用的标准多任务学习目标是元训练深度为零的学习算法的一个特例。我们在两种情况下研究了这个问题:无监督的预训练和有监督的预训练，不同的预训练对象验证了我们的方法的通用性。实验结果表明，我们的算法对各种下游任务进行了改进，获得了更好的初始化。

  3. 所属分类：机器学习

    • 发布日期：2020-04-17
    • 文件大小：372736
    • 提供者：syp_net

  1. 元学习（meta learning）综述论文（2020年）

  2. 元学习旨在学会学习，是当下研究热点之一。最近来自爱丁堡大学的学者发布了关于元学习最新综述论文《Meta-Learning in Neural Networks: A Survey》，值得关注，详述了元学习体系，包括定义、方法、应用、挑战，成为不可缺少的文献。

  3. 所属分类：机器学习

    • 发布日期：2020-04-17
    • 文件大小：730112
    • 提供者：syp_net

  1. ICLR 2020 Bengio 一作论文：因果机制、元学习与模型泛化如何产生关联？.zip

  2. Yoshua Bengio 等人基于学习器适应新分布的速度提出一种元学习因果结构，假设新分布由干预、智能体动作以及其它非稳态（non-stationarity）导致的稀疏分布变化引起，由此得出“正确的因果结构选择 会使学习器**更快地适应修改后的分布**”。该假设的研究将“适应修改后分布的速度”作为元学习的目标，表明“这可用于决定两个观测变量之间的因果关系”。研究结论的价值即特点和优势发现是，分布变化无需对应标准干预，学习器不具备关于干预的直接知识。因果结构可通过连续变量进行参数化，并以端到端的

  3. 所属分类：机器学习

    • 发布日期：2020-04-08
    • 文件大小：744448
    • 提供者：qq_27206435

  1. 元学习的好奇心算法（Meta-learning curiosity algorithms）.pdf

  2. 我们假设好奇心是进化过程中发现的一种机制，它鼓励个体在生命早期进行有意义的探索，从而使个体接触到能够在其一生中获得高回报的经历。我们将产生好奇行为的问题表述为元学习的问题之一:一个外环将在一个好奇心机制的空间中搜索，该机制动态地适应代理的奖励信号，而一个内环将使用适应的奖励信号执行标准的强化学习。

  3. 所属分类：机器学习

    • 发布日期：2020-03-13
    • 文件大小：2097152
    • 提供者：syp_net

  1. 股票交易进化策略的元学习

  2. 元学习算法了解学习过程本身，因此可以用较少的数据和迭代来加快后续的类似学习任务。 如果实现，这些好处将传统机器学习的灵活性扩展到时间或数据可用时间窗口较小的区域。 这样的领域之一就是股票交易，随着时间的流逝，数据的相关性下降，需要在更少的数据点上获得快速的结果，才能应对快速变化的市场趋势。 据我们所知，我们是第一个将元学习算法应用于股票交易进化策略的公司，它通过减少迭代次数来减少学习时间，并通过减少数据点来获得更高的交易利润。 我们发现，我们的股票交易元学习方法所获得的利润类似于纯进化算法。 但

  3. 所属分类：其它

    • 发布日期：2020-06-02
    • 文件大小：1046528
    • 提供者：weixin_38680625

  1. 《小样本元学习》综述论文（预印于2020年07月30日）

  2. 小样本学习是当前研究关注的热点。这篇论文总结了2016年到2020年的小样本元学习文章，划分为四类：基于数据增强; 基于度量学习，基于元优化; 和基于语义的。值得查看！

  3. 所属分类：机器学习

    • 发布日期：2020-07-31
    • 文件大小：4194304
    • 提供者：syp_net

  1. ICML 2020上与【元学习（Meta Learning）】相关的论文（六篇）

  2. 我们发现基于元学习（Meta Learning）相关的paper也不少，元学习及其在不同场景的应用等等都是今年比较火的topic，受到了很多人的关注。

  3. 所属分类：机器学习

    • 发布日期：2020-10-04
    • 文件大小：7340032
    • 提供者：syp_net

  1. 《深度元学习》综述论文（2020年）

  2. 深度神经网络在拥有大量数据集和足够的计算资源的情况下能够取得巨大的成功。然而，他们快速学习新概念的能力相当有限。元学习是解决这一问题的一种方法，通过使网络学会如何学习。令人兴奋的深度元学习领域正在高速发展，但缺乏对当前技术的统一、深刻的概述。这项工作就是这样。

  3. 所属分类：机器学习

    • 发布日期：2020-10-09
    • 文件大小：2097152
    • 提供者：syp_net

  1. 自适应模型不可知元学习

  2. MAML算法在分类、回归和策略梯度微调的少次学习问题上表现良好，但需要代价高昂的超参数调整来保持训练的稳定性。在MAML引入一个名为阿尔法·MAML的扩展来解决这个缺点，该扩展结合了一个在线超参数自适应方案，消除了调整元学习和学习速率的需要。Alpha MAML: Adaptive Model-Agnostic Meta-Learning

  3. 所属分类：专业指导

    • 发布日期：2020-11-29
    • 文件大小：904192
    • 提供者：qq_41043463

  1. NeurIPS 2020上与【元学习】相关的论文（五篇）

  2. NeurIPS 2020已经开完会，本文发现元学习（Meta Learning）相关的接受paper不少，元学习在CV、NLP等各个领域的应用也比较火热，值得研究者们细心学习。

  3. 所属分类：机器学习

    • 发布日期：2020-12-16
    • 文件大小：4194304
    • 提供者：syp_net
« 12 3 4 5 6 7 8 9 10 ... 50 »