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. 基于混合核函数的自组织神经网络遥感图像分类

  2. 自组织神经网络SOM作为一种无监督学习的竞争式网络，已经得到了广泛的应用，它通过对输入信号的竞争学习， 将样本划为不同的类别，但其分类效果常很难令人满意。提出了一种基于混合核函数的SOM神经网络改进方法，并和传统 的SOM网络进行了对比，Iris数据和Wine数据的分类实验表明，该方法可以明显改进SOM网络的分类效果。然后对某地 Landsat卫星遥感图像数据进行分类实验，实验结果表明，与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的 SOM网络相比较，基于混合核函数的SOM神经

  3. 所属分类：专业指导

    • 发布日期：2011-09-29
    • 文件大小：413696
    • 提供者：jason19821201

  1. BAT机器学习面试1000题系列

  2. BAT机器学习面试1000题系列 1 前言 1 BAT机器学习面试1000题系列 2 1 归一化为什么能提高梯度下降法求解最优解的速度？ 22 2 归一化有可能提高精度 22 3 归一化的类型 23 1）线性归一化 23 2）标准差标准化 23 3）非线性归一化 23 35. 什么是熵。机器学习 ML基础 易 27 熵的引入 27 3.1 无偏原则 29 56. 什么是卷积。深度学习 DL基础 易 38 池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n） 40 随机梯度下降 4

  3. 所属分类：机器学习

    • 发布日期：2018-03-07
    • 文件大小：10485760
    • 提供者：qq_38873863

  1. 深度学习结构和算法比较分析

  2. Hinton等人提出的深度机器学习，掀起了神经网络研究的又一个浪潮．介绍了深度机器学习的基本概念和基本思想．对于目前比较成熟的深度机器学习结构深度置信网DBNs和约束Boltzmann机(RBM)的结构和无监督贪婪学习算法作了比较详细的介绍和比较，并对算法的改进方向提出了有建设性的意见，对深度机器学习的未来发展方向和目前存在的问题进行了深刻的分析

  3. 所属分类：教育

    • 发布日期：2018-04-02
    • 文件大小：1048576
    • 提供者：sinat_41758095

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. 基于快速密度聚类的电力通信网节点重要性评估.pdf

  2. 电力通信网的节点重要性评估是电力通信研究的一个重要议题。针对目前电力通信网节点重要性评估存在 的连接权值单一以及评价指标单一等问题，利用电力通信网的带宽和距离作为权值，计算电力通信网节点的多种 评价指标：节点强度、节点紧密度以及节点的介数。基于电力通信网节点的多种评价指标，利用快速密度聚类方 法建立电力通信网的节点重要性评估模型，为电网通信的规划做支撑。通过快速密度聚类方法进行无监督的分类， 将节点分为若干个重要性等级。该方法可以有效地改善基于距离的无监督分类方法的不足。利用某省的实际电

  3. 所属分类：其它

    • 发布日期：2019-09-13
    • 文件大小：403456
    • 提供者：weixin_38743481

  1. 菊安酱的机器学习第1期-k-近邻算法（直播）.pdf

  2. k-近邻算法的课件。来自于菊安酱的机器学习实战12期的免费教程。内涵python源码。菊安酱的直播间: 我们已经知道k近邻算法的工作原理,根据特征比较,然后提取样本集中特征最相似数据(最近邻)的分类标签。 那么如何进行比较呢?比如表1中新出的电影,我们该如何判断他所属的电影类别呢?如图2所示。 电影分类 120 爱情片(1,101) 爱情片(12,97) 80 爱情片(5,89) 水弊 60 ?(24,67) 动作片(112,9 20 动作片(1158) 动作片(108,5) 0 20 60 8

  3. 所属分类：讲义

    • 发布日期：2019-07-27
    • 文件大小：867328
    • 提供者：qiu1440528444

  1. 机器学习概念.pdf

  2. 介绍了机器学习中，监督学习、无监督学习、过拟合，以及采取相关的措施进行处理。6考虑下面样本特征为二维欧式空间点的两分类问题的训练集,分别用最近邻法和三近邻法给出测试样本点(1,1)的 类别 x0011122 1+ 2|+ 2 解:(1)计算距离 (x, y)Distance-(1, 1) (-1,1)Y(-1-12+(1-1)2)=2 (0,1)v(0-1)2+(1-1)^2)=1+ (02)(0-1y2+(2-1)^2)= (1,1)Y(1-1)2+(-1-1)^2)=2 (10)v(1-1)

  3. 所属分类：机器学习

    • 发布日期：2019-07-26
    • 文件大小：448512
    • 提供者：qiu1440528444

  1. 生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生

  2. 生成对抗网络（ AN）一经提出就风光无限，更是被Yann L un誉为“十年来机器学 习领域最有趣的想法”。 GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展 至今已经衍生出了诸多变化形态。望伪图像的分布尽可能地接近真图像。或者,简单来说,我们想要伪图像尽可能看起 来像真的一样。 值得一提的是,因为GANs是用极小化极大算法做优化的,所以训练过程可能会很不稳 定。不过你可以使用一些“小技巧”来获得更稳健的训练过程。 在下面这个视频中,你可以看到GANs所生成图片

  3. 所属分类：深度学习

    • 发布日期：2019-07-02
    • 文件大小：1048576
    • 提供者：abacaba

  1. \"Tag-TextRank：一种基于Tag的网页关键词抽取方法\"分享总结

  2. NULL 博文链接：https://snv.iteye.com/blog/1886969在 Wikipedia中的实体,并且算法的复杂度很高。另外,国内一些学者lm2也开展了关键 词提取的研究。实际上,从上面的工作,我们可以得到这样的基本结论:基本的R特征可 以找到部分关键词,而加入用户信息或者领域知识可以进一步提高关键词抽取效果。 本文利用Tag信息来提高关键词的抽取效果。近年来,Tag数据作为·种新的资源, 其挖掘和利用已经成为信息检索、社区发现等领域的研究热点。从数据质量上讲,Iag数 据

  3. 所属分类：其它

    • 发布日期：2019-04-20
    • 文件大小：1046528
    • 提供者：weixin_38669628

  1. 有监督学习和无监督学习的比较

  2. 有监督学习和无监督学习的比较，主要是用于金融方面的预测

  3. 所属分类：金融

  1. 机器学习入门 — K-means、DBSCAN聚类算法（概念、图解、代码示例）

  2. 聚类概念 聚类是把相似的东西分到一组，它是一个无监督问题，没有标签使用 难点： 对于有标签的有监督学习问题，标签可以便于我们来评估模型，无监督学习问题在评估上比较难一点 对于不同的参数组合，得到的学习结果，因为比较难对模型做评估，所以不能通过一个精确度的好坏来选择参数组合 K-MEANS算法 K-MEANS算法是聚类问题中，最简单，也是最实用的一个算法 基本概念 一个数据放进来，需要指定K值，来声明要得到簇的个数 质心：一个簇的数据均值，即向量各维取平均即可（迭代时使用） 距离的度量：常用欧几里

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：448512
    • 提供者：weixin_38674124

  1. 机器学习实战之分类算法.pdf

  2. 机器学习实战之分类算法，机器学习就是将无序的数据转化为有用的信息。一个实例有 n 个特征，由 n 列组 成。机器学习最主要的任务就是分类，另一个就是回归，回归中比较典型的就是 线性拟合。分类和回归都属于监督学习，因为这类算法必须知道要预测什么，即 已知目标变量的分类信息。与监督学习对应的是无监督学习，此时数据没有类别 信息，也不会给定目标值，将数据集合分成由类似的对象组成的多个类的过程叫 做聚类。将描述数据统计值的过程称之为密度估计。分类首先要进行训练，训练 样本集必须确定目标变量的值，以便发现

  3. 所属分类：互联网

    • 发布日期：2020-12-26
    • 文件大小：1048576
    • 提供者：muguli2008

  1. 机器学习入门教程1-机器学习简介

  2. 机器学习是一门为了预测某个值而对系统应用算法来学习数据中模式的科学。利用足够的数据，在所有输入变量与待预测值之间建立关系。在给定其他输入变量的情况下，系统更容易预测一个新的值。这种方法不同于传统编程，在传统编程中，应用程序是基于先前设置的规则开发的。虽然机器学习的基本概念已经存在了一段时间，但这一领域最近才迅猛发展，这要归功于先进的处理器和丰富的可用数据，这两者都是实现精确预测的关键。因为介绍机器学习历史的内容很多，所以本文不再赘述。我们在这里为您提供了一种实用的方法来理解必要的概念，帮助您入门

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：659456
    • 提供者：weixin_38534352

  1. denoising:这是用于多光子显微镜图像降噪的几种有监督和无监督方法的实现，包括CARE，DnCNN，ResNet，Noise2Noise，Noise2Void，概率Noise2Void和结构化Noise2Void-源码

  2. 深度学习的多光子显微镜图像降噪 多光子显微镜（MPM）图像固有地以低信噪比（SNR）捕获，从而抑制了对更深的大脑层成像的过程，实现了更高的时间和空间分辨率。 虽然基于线性滤波的经典方法无法处理MPM图像中占主导地位的泊松噪声，但深度学习图像恢复目前是一个热门话题。 在这项工作中，在MPM图像的去噪性能方面，比较了三种监督（CARE，DnCNN和ResNet）和三种非监督（Noise2Noise，Noise2Void和概率性Noise2Void）深度学习方法，并研究了监督与非监督方法之间的差距。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：87031808
    • 提供者：weixin_42113754

  1. Person-reID-Evaluation:GOM：重新识别的新指标。 MGOM明确地将执行检索和验证的效果平衡到一个统一的指标中-源码

  2. 真正的开放式re-ID指标（GOM） 用于的官方存储库。 GOM会针对对象re-ID（包括人员re-ID和车辆re-ID）针对有监督学习任务和无监督学习任务评估最新技术方法。 现有检索和验证程序的图示。 1）封闭世界检索：该方法将排名列表返回给用户，并且无法确定哪些图像是真正的目标。 用户需要根据他们的经验和感觉来判断目标。 2）封闭世界验证：在给定决策边界的情况下，距离在边界以下的图像被视为目标。 但是，该方法无法区分边界内的地面实况（GT）和非GT。 3）开放设置：探针的GT并不总是存在

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：3145728
    • 提供者：weixin_42154650

  1. K-means聚类算法中聚类个数的方法研究

  2. 在数据挖掘算法中，K均值聚类算法是一种比较常见的无监督学习方法，簇间数据对象越相异，簇内数据对象越相似，说明该聚类效果越好。然而，簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够自动确定聚类个数，采用SSE和簇的个数进行度量，提出了一种聚类个数自适应的聚类方法（简称：SKKM）。通过UCI数据和仿真数据对象的实验，对SKKM算法进行了验证，实验结果表明改进的算法可以快速的找到数据对象中聚类个数，提高了算法的性能。

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：863232
    • 提供者：weixin_38502639

  1. 强化学习浅入理解

  2. 看了一些博客和莫烦老师的视频讲解，对强化学习有了一个比较形象的理解。 莫烦视频讲解 博客参考 在机器学习中，可以分为以下3种：有监督的学习（Supervised Learning）、无监督的学习（Unsupervised Learning）和强化学习（Reinforcement Learning），结构图如下所示： 在强化学习中，有一个特定的环境（environment），不同环境下有不同的动作（action），不同动作有不同的奖励（reward），那么不同动作也会产生不同的下一时刻状态（st

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：184320
    • 提供者：weixin_38628920

  1. 基于深度学习的髋关节应力分布算法研究

  2. 针对髋关节软骨的应力分布算法研究问题，设计了一个基于深度学习模型来代替有限元分析。该深度学习模型分为无监督学习模块和有监督学习模块，首先使用无监督学习模块对髋关节的软骨和股骨进行形状编码；之后实现对应力分布数据的编码与解码，使得应力数据能够与神经网络相结合；然后通过监督学习，利用编码好的应力数据进行监督，使神经网络学习得到一个从髋关节软骨和股骨的形状码到应力分布的应力码的映射关系；最终得到一个拟合的深度学习模型。此模型能够在一定程度上模拟有限元分析方法，但是由于其平均绝对误差和归一化平均绝对误差

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：4194304
    • 提供者：weixin_38676058

  1. 基于核聚类方法的多层次支持向量机分类树

  2. 针对解决多类模式识别问题的SVM 方法进行研究, 在比较几种常用的多类SVM 分类算法的基础上, 提出 一种基于核聚类方法的多层次SVM 分类树, 将核空间中的无监督学习方法和有监督学习方法结合起来, 实现了一 种结构更加简洁清晰、计算效率更高的多层SVM 分类树算法, 并在实验中取得了良好的结果.

  3. 所属分类：其它

    • 发布日期：2021-01-15
    • 文件大小：340992
    • 提供者：weixin_38740201

  1. dimension-reduction-algorithms:常用降维算法的复现和比较，包括LDA，QDA，PCA，MDS，Isomap，LLE-源码

  2. 降维算法 一，介绍 在高维层次下会出现数据样本稀疏，距离计算困难等问题，是所有机器学习方法面临的严峻考验，称为“维数灾难”（维数诅咒）。 ，即通过某种数学变换将数据映射到一个低维空间，在这个低维空间里，数据的密度大大地提高，距离计算更加容易。 二，分类 降维算法可以按照是否有监督，变换是否是线性的细分四类： 无监督的线性降维算法，某种 无监督的非线性降维算法，某些 ， ， ， 有监督的线性降维算法，某种 有监督的非线性降维算法（缺） 注意：此处线性指的是高维空间->低维空间是线性的。M

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：1048576
    • 提供者：weixin_42118423
« 12 »