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. 数据挖掘算法概要说明

  2. 数据挖掘、机器学习中各种常用模型的概念、算法汇总。内容包括：数据仓库、特征提取、模糊集、粗糙集、Fourier变换、小波变换、决策树、关联关则、kNN、聚类分析、朴素贝叶斯、EM、神经网络、遗传算法、支持向量机、隐Markov模型；提升模型、共同训练、主动学习、直推学习、广义EM算法、强化学习；学习机性能评估等。内容有一定的深度，不宜初学者。

  3. 所属分类：其它

    • 发布日期：2007-11-18
    • 文件大小：463872
    • 提供者：yetzi1975

  1. 数据挖掘中的新方法-支持向量机

  2. (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。

  3. 所属分类：其它

    • 发布日期：2010-12-05
    • 文件大小：7340032
    • 提供者：xuhao2218

  1. svm分类器原理 支持向量机

  2. 关于svm分类器原理的介绍 数据分类是数据挖掘中的一个重要题目。数据分类是指在已有分类的训练数据的基础上，根据某种原理，经过训练形成一个分类器；然后使用分类器判断没有分类的数据的类别。

  3. 所属分类：专业指导

    • 发布日期：2011-05-26
    • 文件大小：113664
    • 提供者：liangyf718

  1. 支持向量机导论

  2. 支持向量机SVM(Support Vector Machine）作为一种可训练的机器学习方法，依靠小样本学习后的模型参数进行导航星提取，可以得到分布均匀且恒星数量大为减少的导航星表.SVM的主要思想可以概括为两点：⑴它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；

  3. 所属分类：专业指导

    • 发布日期：2012-12-20
    • 文件大小：6291456
    • 提供者：eaqtnvyf

  1. IBM SPSS Modeler 14.2 模型介绍 中文版

  2. IBM SPSS Modeler 14.2 模型介绍 中文版 数据挖掘模型包括：决策树、贝叶斯网络、关联规则、聚类、时间序列、支持向量机等； 内容包括模型介绍、模型参数设置、模型应用结果等。

  3. 所属分类：IT管理

    • 发布日期：2013-09-04
    • 文件大小：9437184
    • 提供者：jiajining

  1. 文本挖掘tmSVM开源项目包含Python和Java两种版本带参考文档

  2. 文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档 简介 文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。而文本分类是文本挖掘中一个非常重要的手段与技术。现有的分类技术都已经非常成熟，SVM、KNN、Decision Tree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡

  3. 所属分类：Python

    • 发布日期：2014-02-23
    • 文件大小：3145728
    • 提供者：vcfriend

  1. 电力系统短期负荷预测方法综述

  2. 电力系统短期负荷预测方法综述，小波分析；神经网络；支持向量机；数据挖掘

  3. 所属分类：讲义

    • 发布日期：2014-10-09
    • 文件大小：72704
    • 提供者：u010855524

  1. 决策树分类器的实现及在遥感影像 分类中的应用

  2. 决策树算法是数据挖掘中应用最广的归纳推理算法之一，其构造不需要任何领域知识或参数设置，适合于探测式知识发现。决策树算法具有结构清晰、运行速度快、准确性高以及更好的灵活性和鲁棒性，可以用于处理高维数据，其获取的知识是直观的且容易被人理解。目前决策树算法已经被广泛的应用于医学、制造和生产、金融分析、天文学、分子生物学以及遥感影像分类等领域。 法和boosting推进技术研究的基础上，以BoostTree算法为基础，通过算法改进，构建了AdaTree.WL算法。然后以该算法为基础研发了决策树遥感影像

  3. 所属分类：机器学习

    • 发布日期：2017-10-21
    • 文件大小：2097152
    • 提供者：sailingw

  1. 斯坦福大学机器学习课程讲义

  2. 机器学习是一门研究在非特定编程条件下让计算机采取行动的学科。最近二十年，机器学习为我们带来了自动驾驶汽车、实用的语音识别、高效的网络搜索，让我们对人类基因的解读能力大大提高。当今机器学习技术已经非常普遍，您很可能在毫无察觉情况下每天使用几十次。许多研究者还认为机器学习是人工智能（AI）取得进展的最有效途径。在本课程中，您将学习最高效的机器学习技术，了解如何使用这些技术，并自己动手实践这些技术。更重要的是，您将不仅将学习理论知识，还将学习如何实践，如何快速使用强大的技术来解决新问题。最后，您将了

  3. 所属分类：机器学习

    • 发布日期：2017-11-07
    • 文件大小：5242880
    • 提供者：fantastikman

  1. 机器学习个人笔记完整版v4.21

  2. 斯坦福大学 2014 机器学习教程中文笔记：本课程ᨀ供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。（二）无监督学习 （聚类，降维，推荐系统，深入学习推荐）。（三）在机器学习的最佳实践（偏差/方差理 论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何 运用学习算法构建智能机器人（感知，控制），文本的理解（Web 搜索，反垃圾邮件），计 算机视觉，医疗信息，音频，数据挖掘，和其他

  3. 所属分类：机器学习

    • 发布日期：2017-12-20
    • 文件大小：10485760
    • 提供者：weixin_37562521

  1. 机器学习个人笔记完整版v4.21

  2. 吴恩达的机器学习教程中文笔记，主题包括： （一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。（三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（Web 搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。

  3. 所属分类：机器学习

    • 发布日期：2018-04-07
    • 文件大小：10485760
    • 提供者：m0_37868504

  1. 数据运营思维导图

  2. 数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致

  3. 所属分类：互联网

    • 发布日期：2018-04-26
    • 文件大小：68157440
    • 提供者：zzwin1006

  1. 斯坦福大学 2014 机器学习教程中文笔记

  2. 本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。 （二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。 （三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。 本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控 制），文本的理解（Web 搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘， 和其他领域。 本课程需要 10 周共 18 节课

  3. 所属分类：机器学习

    • 发布日期：2018-07-28
    • 文件大小：6291456
    • 提供者：xiaoxc_java

  1. 2019数据运营思维导图

  2. 数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致

  3. 所属分类：Java

    • 发布日期：2019-03-29
    • 文件大小：15728640
    • 提供者：qq_36826498

  1. 大数据分析实验报告.doc

  2. 实验一 Hadoop与Spark搭建与应用程序开发 一. 实验目的与要求、 1、要求学生能搭建 Hadoop 和 Spark 环境； 2、要求学生能正确启动 Spark 服务进程； 3、要求学生能实现 Spark 应用程序并正确运行。 实验二 Spark MLlib实现数据挖掘算法 一. 实验目的与要求 在以下算法中任选一种通过Spark MLlib来实现： 1）线性回归算法 2）支持向量机算法 3）K-means算法

  3. 所属分类：Ubuntu

    • 发布日期：2020-05-25
    • 文件大小：2097152
    • 提供者：a152634897951

  1. 基于两阶段支持向量机的电力系统暂态稳定预测及预防控制_周艳真.pdf

  2. 针对数据驱动的电力系统暂稳分析，考虑到安全域概 念下的暂稳预测和预防控制对输入特征的不同要求，以及充 分兼顾数据挖掘模型的直观性与准确性，该文提出两阶段支 持向量机用于暂稳预测及预防控制。在第一阶段，采用可控 特征和直观模型挖掘运行方式与暂态稳定的内在联系，并用 于制定预防控制策略；第二阶段，采用复杂模型构建准确率高的暂稳预测模型；此外，第一阶段模型能够为第二阶段的 暂稳预测模型的训练提供样本筛选的依据，从而缩短了预测 模型的训练时间

  3. 所属分类：讲义

    • 发布日期：2020-09-05
    • 文件大小：1048576
    • 提供者：SparkQiang

  1. 学习：数据是石油的未来，挖掘数据的潜在价值非常有意义。 这个图书馆记录了我的机器学习之路-源码

  2. 深度学习演示 奇妙清单 1. 2.（感谢北京大学张志华团队的翻译工作，中文版点击） 一，记录深度学习例子： 名称 目录 咖啡 TensorFlow 茶野 凯拉斯 二，记录历程点滴： 掌握机器学习相关的概念和计算公式，包括有/无/半监督学习，强化学习，分类/回归/标注，聚类；训练集/验证集，交叉验证，测试集；数据预处理，正则化，归一化；损失函数，经验风险最小化，结构风险最小化，最优化算法；训练误差，泛化误差，欠拟合，过拟合；准确率，召回率，F1值，ROC和AUC； 掌握机器学习主流的模型及其

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：55574528
    • 提供者：weixin_42131633

  1. 基于目标极化分解方法和PALSAR雷达数据的于田绿洲盐渍化监测

  2. 以新疆于田绿洲为研究区，利用四极化PALSAR-2数据进行多种目标极化分解处理，获取相应的极化特征参数。通过目视判读选取噪声较少的11种极化参数作为最佳特征信息对支持向量机分类法进行训练。多种极化分解方法与Wishart分类方法及支持向量机分类法相结合，提取研究区不同程度的盐渍化信息。经过目视判读和实地野外考察，结合Landsat-8陆地成像仪影像对分类结果进行定量分析和验证。由混淆矩阵的计算分析可知，相比Wishart分类方法，支持向量机分类法将分类精度从80.48%提高到88.00%，将Ka

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：13631488
    • 提供者：weixin_38534683

  1. 基于数据挖掘的配电网故障风险预警

  2. 为了提高配电网风险预警的准确性，提出了基于数据挖掘的配电网故障关联因素分析与风险预警的方法。通过数据清洗、数据变换、数据集成和离群样本剔除，归纳配电网四大类共28个故障特征；采用改进的Relief-Wrapper算法进行故障关联因素分析，剔除了6个冗余特征，形成了由22个故障特征组成的最优故障特征子集；提出了兼顾故障发生频率和失电负荷比例的配电网故障风险指标和风险等级划分方法，采用基于径向基函数的支持向量机(SVM)方法和最优故障特征子集进行风险预警。对某市120条馈线配电网进行了风险预警算例分

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：1048576
    • 提供者：weixin_38589314

  1. 基于数据统计特性的GS-SVM电池峰值功率预测模型

  2. 以锰酸锂动力电池为研究对象，对电池处于不同温度和荷电状态下的情况进行10 s峰值功率测试，同时测量电池内阻。对实验测试得到的温度、荷电状态、内阻及峰值功率数据进行统计分析，包括测试变量间的相关程度评估和共线性检测，挖掘电池外特性参数与峰值功率数据间的统计关系。在此基础上，提出采用基于网格搜索的支持向量机(GS-SVM)建立电池的峰值功率预测模型。验证结果表明所提模型预测精度高，平均误差仅为3.65 %；该模型训练时间短、响应速度快、操作性强，可以实现对动力电池峰值功率的快速估计，为电动汽车安全可

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：1048576
    • 提供者：weixin_38725623
« 12 »