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. Pattern Recognition and Machine Learning（英文原版）

  2. 这是机器学习领域最为流行的最为推崇的一本书，也是Chris. Bishop的得力之作。我认为这本书之所以成功除了作者本身的表达丰富和理解深刻之外，还有几个原因：1. 内容深刻而且组织新颖，例如本书是从核方法入手去讲解SVM，从而一带介绍了Gaussion Process； 2. 概率图模型是本书花了很多笔墨的一部分，作者认为对于Statistical Inference, 图模型正好提供了一种极好的描述应用框架；3. 包罗万象，我基本能够想到的所有的ML的模型在这里都有深刻的描述和介绍，包括基

  3. 所属分类：网络基础

    • 发布日期：2010-12-01
    • 文件大小：4194304
    • 提供者：xiazhaoqiang

  1. PCA与核PCA

  2. 包括主元分析的精炼介绍手册。斯坦福机器学习之主元分析笔记。核PCA的简练介绍文档。

  3. 所属分类：讲义

    • 发布日期：2014-11-09
    • 文件大小：8388608
    • 提供者：qianhen123

  1. MachineLearning-master-python.zip

  2. 属于网络下载资源，感谢原作者的贡献。 ##目录介绍 - **DeepLearning Tutorials** 这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含： Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。 [keras_usage]介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。 将卷积神经网络CNN应用于人脸识别的一个demo，人脸数

  3. 所属分类：专业指导

    • 发布日期：2016-07-04
    • 文件大小：1048576
    • 提供者：qq_33042687

  1. weka 源代码 分析 数据挖掘

  2. weka源代码分析，以下是文件列表： Weka[-1] Use Weka in your Java code.pdf Weka[0] 如何将weka导入eclipse.pdf Weka[10] NBTree源代码分析.pdf Weka[11] J48源代码分析.pdf Weka[13] Ensemble.pdf Weka[14] Adaboost 源代码分析.pdf Weka[15] ZeroR 源代码介绍（入门篇）.pdf Weka[16] OneR源代 码介绍.pdf Weka[17] 关

  3. 所属分类：Java

    • 发布日期：2016-08-30
    • 文件大小：9437184
    • 提供者：android20122

  1. 机器学习算法之PCA

  2. 机器学习算法，PCA算法，故障检测算法。可运行。机器学习算法，PCA算法，故障检测算法。可运行

  3. 所属分类：机器学习

    • 发布日期：2018-03-05
    • 文件大小：65536
    • 提供者：ggyanhua

  1. 基于opencv3.1库的JAVA源码

  2. 第1章 Java概述、安装及简易教学 14 1-1 Java概述 14 1-2 Java安装 16 1-3 Eclipse安装 18 1-4 GUI设计工具WindowBuilder 18 1-5 在Eclipse开发第一个Java程式 23 1-6 在Eclipse开发第一个Java视窗程式-显示影像 26 1-7 在Eclipse开发视窗程式-slider控制元件 34 1-8 在Eclipse开发视窗程式-按钮控制元件 39 1-9 好用的Eclipse热键 41 第2章 OpenCV概

  3. 所属分类：图像处理

    • 发布日期：2018-09-29
    • 文件大小：1048576
    • 提供者：caozhenguan

  1. 10主成分分析PCA.zip

  2. 机器学习之主成分分析PCA,

  3. 所属分类：机器学习

    • 发布日期：2019-07-11
    • 文件大小：2097152
    • 提供者：zy_505775013

  1. 特征脸(Eigenface)理论基础之PCA主成分分析法

  2. 在之前的博客 人脸识别经典算法一：特征脸方法（Eigenface）里面介绍了特征脸方法的原理，但是并没有对它用到的理论基础PCA做介绍，现在做补充。请将这两篇博文结合起来阅读。以下内容大部分参考自斯坦福机器学习课程：http://cs229.stanford.edu/materials.html 假设我们有一个关于机动车属性的数据集{x(i);i=1,…,m}（m代表机动车的属性个数），例如最大速度，最大转弯半径等。假设x(i)本质上是n维的空间的一个元素，其中n<<m，但是n对我们

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：117760
    • 提供者：weixin_38722607

  1. 机器学习实战：基于逻辑回归模型的信用卡欺诈检测

  2. 某银行为提升信用卡反欺诈检测能力，提供了脱敏后的一份个人交易记录。考虑数据本身的隐私性，数据提供之初已经进行了类似PCA的处理，并得到了若干数据特征。在不需要做额外特征提取工作的情况下，本项目意在通过逻辑回归模型的调优，得到较为准确可靠的反欺诈检测方法，分析过程中使用到了Python Pandas, Numpy, Matplotlib, Seaborn以及机器学习库Scikit-Learn等。 数据链接： 链接:https://pan.baidu.com/s/11uT0CHYPenX_67qTd

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：77824
    • 提供者：weixin_38626943

  1. 机器学习之PCA

  2. PCA（主成分分析法—Principal Component Analysis）一. 求数据的前n个主成分二. 高维数据映射为低维数据 一. 求数据的前n个主成分 紧接着上次汇报的内容： ⟶将周围离散的点分别映射到这条直线上\stackrel{将周围离散的点分别映射到这条直线上}{\longrightarrow}⟶将周围离散的点分别映射到这条直线上​ 该直线所在的轴为我们的第一主成分，得到的结果就是这些样本点直接距离的方差是最大的 显然我们现在所求的不仅仅是局限在二维空间中，当维数增加时，我

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：358400
    • 提供者：weixin_38502183

  1. 机器学习之PCA

  2. PCA（主成分分析法—Principal Component Analysis）一. 求数据的前n个主成分二. 高维数据映射为低维数据 一. 求数据的前n个主成分 紧接着上次汇报的内容： ⟶将周围离散的点分别映射到这条直线上\stackrel{将周围离散的点分别映射到这条直线上}{\longrightarrow}⟶将周围离散的点分别映射到这条直线上​ 该直线所在的轴为我们的第一主成分，得到的结果就是这些样本点直接距离的方差是最大的 显然我们现在所求的不仅仅是局限在二维空间中，当维数增加时，我

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：358400
    • 提供者：weixin_38675967

  1. “高频面经”之机器学习篇

  2. ​    注：机器学习注重原理理解、算法对比及场景使用，应加强算法公式推导及多场景实战。以下试题为作者日常整理的通用高频面经，包含题目，答案与参考文章，欢迎纠正与补充。 更多内容尽在公众号： 目录 1.常见分类算法及应用场景 2.逻辑回归推导 3.SVM相关问题 4.核函数使用 5.生成模型和判别模型基本形式 6.ID3,C4.5和CART区别 7.交叉熵公式原理 8.L1和L2正则化的区别 9.传统机器学习模型有哪些 10.k-means算法流程 11.DBSCAN和Kmeans对比 12

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：574464
    • 提供者：weixin_38523618

  1. 机器学习入门之无监督学习(四)

  2. 引言 本文主要介绍深度自动编码器(Deep Auto encoder)，做的事情还是降维，不过降维的时候是使用神经网络。 自动编码器 把很多隐藏层的神经网络当成编码器，输入一个图像后能得到一个编码。比如传入784维的手写数字，得到的编码通常会小于784维。 现在问题是我们如何得到这样一个编码器呢。要训练这个编码器我们需要同时训练一个解码器，能更加编码解码成原来的784维图像数据。 这件事情其实和PCA很像。 PCA做的事情是输入一个经过归一化的向量xxx然后乘上一个矩阵WWW得到一组编码c

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：2097152
    • 提供者：weixin_38506798

  1. 机器学习之KNN（k近邻）算法详解

  2. 一、基本分类：①监督学习（Supervisedlearning）数据集中的每个样本有相应的“正确答案”，根据这些样本做出预测，分有两类：回归问题和分类问题。步骤1：数据集的创建和分类步骤2：训练步骤3：验证步骤4：使用（1）回归问题举例例如：预测房价，根据样本集拟合出一条连续曲线。（2）分类问题举例例如：根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”，是离散的。监督学习：从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：838656
    • 提供者：weixin_38652636

  1. 机器学习之主成分分析PCA数据降维

  2. 1 基本概念 PCA即主成分分析技术。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。 在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。 主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：766976
    • 提供者：weixin_38584148