您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. LINGO软件的学习

  2. LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言,可以简便地表达大规模问题,利用LINGO高效的求解器可快速求解并分析结果。 §1 LINGO快速入门 当你在windows下开始运行LINGO系统时,会得到类似下面的一个窗口: 外层是主框架窗口,包含了所有菜单命令和工具条,其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口,建立的模型都都要 在该窗口内编码实现。下面举两个例子
  3. 所属分类:C

    • 发布日期:2009-08-08
    • 文件大小:319488
    • 提供者:huxlaylyx
  1. 数据挖掘在各行业的应用论文

  2. 数据挖掘在各行业的应用论文 数据仓库与数据挖掘.caj 空间数据挖掘技术.caj 数据仓库与数据挖掘技术及其在科技情报业的应用前景.caj 相关案件的数据挖掘.caj 数据挖掘技术.caj 一种实时过程控制中的数据挖掘算法研究.caj EIS 环境下的数据挖掘技术的研究.caj 数据挖掘及其工具的选择.caj 数据挖掘技术与中国商业银行业务发展策略.caj 数据挖掘工具DMTools的设计与实现.caj 数据仓库、数据挖掘在银行中的应用.caj 基于信息熵的地学空间数据挖掘模型.caj 数据挖
  3. 所属分类:其它

    • 发布日期:2010-04-19
    • 文件大小:13631488
    • 提供者:liaosaien
  1. Java机器学习.pdf

  2. 机器学习是人工智能的一个分支,它在算法与数据的协助下,让计算机像人类一样学习和行 动。针对给定的数据集,机器学习算法会学习数据的不同属性,并对以后可能遇到的数据属性进 行推断。 本书教你如何使用Java创建并实现机器学习算法,既有基础概念的讲解,也有示例供你学习。 当然,还会介绍一些常用的机器学习库,如Weka、 Apache Mahout、 Mallet等。阅读本书后,你 将懂得如何为特定问题选择合适的机器学习方法,以及如何比较与评估不同技术的优劣。书中还 会讲解性能提升技术,包括输入预处理
  3. 所属分类:Java

    • 发布日期:2019-07-15
    • 文件大小:5242880
    • 提供者:qq_35409106
  1. 轻量级大规模机器学习算法库Fregata.zip

  2. Fregata 是一个基于 Apache Spark 的轻量级、超快速、大规模的机器学习库,并在 Scala 中提供了高级 API。特性更准确:对于各种问题,Fregata 可以实现比 MLLib 更高的精度。更快速:对于广义线性模型,Fregata 在绝大部分数据上都能够扫描一遍数据即收敛。对于 10 亿 X 10 亿的数据集,Fregata 可以在 1 分钟内用内存缓存训练广义线性模型,或在没有内存缓存的情况下训练 10 分钟。通常,Fregata 比 MLLib 快 10-100 倍。算
  3. 所属分类:其它

    • 发布日期:2019-07-19
    • 文件大小:156672
    • 提供者:weixin_39840914
  1. 基于信息增益和Bagging集成学习算法的个人信用评估模型研究

  2. 基于信息增益和Bagging集成学习算法的个人信用评估模型研究,邵笑笑,曹杰,集成学习的算法是一种基于统计理论以计算机实现的良好机器学习方法。本文阐述了集成学习的基本思想和实现步骤,运用Bagging集成学�
  3. 所属分类:其它

    • 发布日期:2020-01-15
    • 文件大小:519168
    • 提供者:weixin_38590784
  1. 基于支持向量机的机器学习研究 Research of Machine-Learning Based Support Vector Machine

  2. 【摘要】 学习是一切智能系统最根本的特征。机器学习是人工智能最具智能特征、最前沿的研究领域之一。机器学习研究的是如何使机器通过识别和利用现有知识来获取新知识和新技能。机器学习就是要使计算机能模拟人的学习行为,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。 与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。V.Vapnik 等人从六、七十年代开始致力于此方面研究,到九十年代中期,其理论不断发展和成熟。统计学习理论是建立在一套较坚实的理论基础之上的,为解决有限样
  3. 所属分类:互联网

    • 发布日期:2020-07-04
    • 文件大小:591872
    • 提供者:songzailu6482
  1. 基于特征聚类集成技术的组特征选择方法

  2. 特征选择[1]指从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的的过程,是模式识别和机器学习领域中一项必不可少的技术,在数据预处理中发挥重要作用,它广泛应用于文本分类、生物信息学和信息检索等方面。尤其在海量高维数据不断涌现的今天,许多机器学习算法受不相关和冗余特征的影响,而通过选择合适的特征选择算法,可以有效地去除不相关、冗余特征,加速数据挖掘的过程,提高学习算法的泛化性能和运行效率,得到更加简单和容易理解的学习模型[2-3]。
  3. 所属分类:其它

    • 发布日期:2020-10-17
    • 文件大小:535552
    • 提供者:weixin_38723559
  1. 基于机器学习方法的集成模型

  2. 基于机器学习方法的集成模型
  3. 所属分类:其它

    • 发布日期:2021-03-20
    • 文件大小:1048576
    • 提供者:weixin_38645865
  1. 将快速傅里叶变换与机器学习集成模型相结合,以支持针对远程医疗环境中心脏病患者的建议

  2. 最近,在远程医疗环境中的临床决策中使用智能技术已开始在改善患者生活质量和帮助减少日常医疗保健的成本和工作量方面发挥至关重要的作用。 本文提出了一种使用快速傅里叶变换耦合机器学习集成模型的有效医学推荐系统,用于短期疾病风险预测,从而为慢性心脏病患者提供有关是否需要接受医学检查的适当建议。在分析他们的医疗数据的基础上进行的第二天。 通过使用快速傅里叶变换来分解基于患者时间序列数据的滑动窗口的输入序列,以提取频率信息。 利用基于套袋的总体模型来提前一天预测患者的病情,以产生最终建议。 结合使用三个分类
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:5242880
    • 提供者:weixin_38564598
  1. 新颖性检测的增量核零空间判别分析

  2. 旨在确定给定数据是否属于任何类别的训练数据的新颖性检测在模式识别,机器学习等领域被认为是一个重要且具有挑战性的问题。最近,内核零空间方法(KNDA)据报道在新颖性检测方面具有最先进的性能。 但是,KNDA之所以能够进行大规模扩展,是因为其计算成本很高。 随着数据量的不断增长,加快和加快KNDA的实施速度是非常重要的。 此外,当存在连续注入的数据时,它变得无能为力。 为了解决这些问题,我们提出了基于增量空核空间的判别分析(IKNDA)算法。 关键字思想可以提取新添加的样本带来的新信息,并通过有效的
  3. 所属分类:其它

    • 发布日期:2021-03-12
    • 文件大小:2097152
    • 提供者:weixin_38628211
  1. live-cell_image_processing-源码

  2. 活细胞图像处理 作者: Asma Chalabi,在开发的代码 注意1:这两个管道都是使用Anaconda平台的Spyder软件在Python 3.7下开发的。 注意2: deep_learning_image_analysis管道仍在开发中。 两条管线都对活细胞显微镜堆栈进行分析,将堆栈分成不同的通道,然后分别对它们进行处理。 1. cell_death_analysis 该管道基于“经典”图像处理方法。 它使用高斯平滑来减少噪声。分割通过二进制阈值执行,然后进行分水岭分割。 使用此
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:13631488
    • 提供者:weixin_42100129
  1. VPTMdb:病毒翻译后修饰位点的网络服务器-源码

  2. VPTM数据库 VPTMdb是病毒翻译后修饰位点(PTM)的综合数据库。 我们已经收集了1240个PTM站点,这些站点将818个实验确认的PTM站点整合到从150种出版物中手动提取的43种病毒中,以及从UniProtKB / Swiss-Prot中提取的422种PTM中。 VPTMpre是一种新颖的基于特征的预测器,已集成到VPTMdb中,供用户预测感兴趣的磷酸化位点。 作者摘要 翻译后修饰(PTM)在病毒蛋白的调控中起着重要作用。 但是,由于数据集的限制,没有对病毒蛋白PTMs特性进行详细研究
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:8192
    • 提供者:weixin_42131785
  1. 机器学习算法——集成方法(Ensemble)之Stacking

  2. 本文来自于csdn,本文是基于《kaggle比赛集成指南》来进行总结的概述什么是集成学习,以及目前较为常用的技术。集成方法是指由多个弱分类器模型组成的整体模型,我们需要研究的是:①弱分类器模型的形式②这些弱分类器是如何组合为一个强分类器学习过机器学习相关基础的童鞋应该知道,集成学习有两大类——以Adaboost为代表的Boosting和以RandomForest为代表的Bagging。它们在集成学习中属于同源集成(homogenousensembles)方法;而今天我将主要对一种目前在kaggl
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:474112
    • 提供者:weixin_38553478
  1. CompreFace:Exadel的免费开源人脸识别系统-源码

  2. CompreFace-Exadel的开源人脸识别系统 CompreFace是一项免费的人脸识别服务,可以轻松集成到没有事先机器学习技能的任何系统。 ··· 面对面 总览 CompreFace是用于人脸识别的基于docker的应用程序,可以集成为独立服务器或部署在云中,并且无需机器学习专家即可进行设置和使用。 我们的方法基于深度神经网络,它是最流行的面部识别方法之一,并提供了便捷的REST API,用于Face Collection训练和面部识别。 我们还提供了一个角色系统,您可以使用它轻松控制
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:130023424
    • 提供者:weixin_42165490
  1. 化学动力学预测器:一种数据驱动的工具,用于预测均相气相React的React顺序。 包括NIST化学动力学数据库中的机器学习实验-源码

  2. 动力学ML NIST化学动力学数据库上的机器学习实验。 在这项工作中,我们使用机器学习方法研究了某些物种的存在以及气相均相React过程中化学键组的形成/破坏与相应的活化能和React顺序之间的关系。 React数据是通过网络抓取和HTML解析从NIST Kinetics数据库获取的,以将在线数据库转换为更易访问的数据框(Pandas)格式。 然后,我们设计了一个特征向量来捕获某些物种和键的存在,并利用它来训练我们的模型以预测活化能和React顺序。 之所以选择基于随机森林的分类模型,是因为
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:38797312
    • 提供者:weixin_42127783
  1. naacl_transfer_learning_tutorial:在美国明尼苏达州明尼阿波利斯市举行的NAACL 2019上举办的NLP转移学习教程的代码库-源码

  2. 随附NAACL 2019教程“自然语言处理中的转移学习”的代码存储库 , , 和在6月2日于美国明尼苏达州明尼阿波利斯市举行的NAACL 2019上提供了该教程。 这是NAACL教程的,以获取更多信息。 可以在以下位置找到该教程的幻灯片: : 。 可以在以下位置找到包含该教程的所有代码的Google Colab笔记本: ://tinyurl.com/NAACLTransferColab。 也可以使用以下短网址访问当前存储库: : 抽象 经典的受监督机器学习范例是基于使用单个
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:17408
    • 提供者:weixin_42116585
  1. 概率:TensorFlow中的概率推理和统计分析-源码

  2. TensorFlow概率 TensorFlow概率是TensorFlow中用于概率推理和统计分析的库。 作为TensorFlow生态系统的一部分,TensorFlow概率提供了概率方法与深度网络的集成,通过自动微分的基于梯度的推理以及通过硬件加速(例如GPU)和分布式计算的大型数据集和模型的可伸缩性。 我们的概率机器学习工具的结构如下。 第0层:TensorFlow。 数值运算。 特别是,LinearOperator类可实现无矩阵实现,该实现可利用特殊结构(对角,低秩等)进行高效计算。 它由
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:38797312
    • 提供者:weixin_42146888
  1. batcomputer:DevOps和可操作化应用于机器学习和AI的工作示例-源码

  2. Batcomputer项目 Batbat项目是DevOps的一个工作示例,应用于机器学习和AI领域。 该项目背后的一些动机: 了解ML模型的可操作性挑战 尝试实现“ DevOps for AI”的现实 “封闭盒”流程(例如Azure ML Services )与实际DevOps方法的集成 :speech_balloon: 为什么选择“ Project Batcomputer”? 培训并用作项目基础的主要模型基于犯罪数据和犯罪结果(定罪等)的预测。 似乎是使使用这种预测模型更加有趣的一种有趣
  3. 所属分类:其它

    • 发布日期:2021-01-31
    • 文件大小:2097152
    • 提供者:weixin_42129005
  1. 机器学习算法——集成方法(Ensemble)之Stacking

  2. 本文来自于csdn,本文是基于《kaggle比赛集成指南》来进行总结的概述什么是集成学习,以及目前较为常用的技术。 集成方法是指由多个弱分类器模型组成的整体模型,我们需要研究的是: ①弱分类器模型的形式 ②这些弱分类器是如何组合为一个强分类器学习过机器学习相关基础的童鞋应该知道,集成学习有两大类——以Adaboost为代表的Boosting和以RandomForest为代表的Bagging。它们在集成学习中属于同源集
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:473088
    • 提供者:weixin_38638596
  1. 基于机器学习的推特谣言立场分析研究

  2. 文本的目标是预测用户对Twitter上新出现的谣言的态度,即支持、否认、询问或评论最初的谣言。针对现有文本立场分析方法的不足,本文设计了一种基于机器学习和特征方法融合的分类模型,使用了基于对话和基于情感的特性,涵盖了情感的不同方面,并集成了3种经典机器学习算法,实验结果表明,该方法取得了较好的立场分类效果,能够有效地提高分类的准确性。
  3. 所属分类:其它

    • 发布日期:2021-01-12
    • 文件大小:1048576
    • 提供者:weixin_38703626
« 12 »