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. 大型数据库课程设计机房上机管理信息系统

  2. 《大型数据库》课程设计 课题 机房上机管理信息系统 班级 学号 姓名 成绩 2008年11月12日—2008年11月30日 目录 第一章 数据库系统概述…………………………………………....2 1.1概述………………………………………………………….2 1.2问题定义及内容简介…………………………………………….4 1.3背景………………………………………………………….4 1.4本系统需求功能分析…………………………………………….5 第二章 系统需 求分析…………………………………………

  3. 所属分类：Oracle

    • 发布日期：2009-07-05
    • 文件大小：168960
    • 提供者：qcddylyg

  1. Matlab的机器学习四件套

  2. 第 1 部分：机器学习简介 了解机器学习的基础信息，包括监督和无监督学习方法、选择正确的算法和实际示例。

  3. 所属分类：机器学习

    • 发布日期：2017-11-10
    • 文件大小：1048576
    • 提供者：delaunay_upc

  1. 李宏毅机器学习讲义

  2. 台大李宏毅老师的2017年机器学习课程系列学习笔记。今天我们先来看一下该系列课程的内容简介。从本质上来讲，机器学习可以分为三部分：函数集（也就是model）、评价函数好坏的标准、训练集。该课程中机器学习的大致内容包括：有监督学习、无监督学习、半监督学习、回归、分类、迁移学习、结构化学习、强化学习。

  3. 所属分类：讲义

    • 发布日期：2018-05-02
    • 文件大小：85983232
    • 提供者：bulabala

  1. 机器学习快速入门

  2. 包含4个文档：机器人学习简介、机器学习快速入门、应用无监督学习、应用监督式学习

  3. 所属分类：机器学习

    • 发布日期：2018-08-11
    • 文件大小：7340032
    • 提供者：luomuxihua

  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. 机器学习简介——监督学习、无监督学习

  2. 机器学习入门的可以看一看，作者呕心沥血整理的资源，学习的可以看一看，里面包括机器学习历年来的发展，机器学习的分支，传统机器学习算法和无监督学习，监督学习和强化学习相关定义等等

  3. 所属分类：机器学习

    • 发布日期：2020-06-04
    • 文件大小：1024
    • 提供者：weixin_38613873

  1. Keras搭建自编码器操作

  2. 简介： 传统机器学习任务任务很大程度上依赖于好的特征工程，但是特征工程往往耗时耗力，在视频、语音和视频中提取到有效特征就更难了，工程师必须在这些领域有非常深入的理解，并且需要使用专业算法提取这些数据的特征。深度学习则可以解决人工难以提取有效特征的问题，大大缓解机器学习模型对特征工程的依赖。 深度学习在早期一度被认为是一种无监督的特征学习过程，模仿人脑对特征逐层抽象的过程。这其中两点很重要：一是无监督学习；二是逐层训练。例如在图像识别问题中，假定我们有许多汽车图片，要如何利用计算机进行识别任务呢

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：141312
    • 提供者：weixin_38641561

  1. 混合模型：基于VGG-16+PCA+Meanshift/DBSCAN的图像分类

  2. 混合模型实战简介数据集训练集测试集实战讲解 简介 博主上次做的VGG16训练宝可梦多分类图像识别，5个每类，每个类别250张左右，训练数量并不多，但如果我的训练数量更少呢？因为在现实生活中，没办法穷尽所有的数据。我们期望更多的高质量数据：正常数据，穷尽类别，标注正确；但是现实大部分为普通数据：夹杂异常数据，包含部分类别，标注标准不一致。为了考虑这个问题，我们可以综合许多模型的优点。于是混合模型就出现了。 混合模型一般有是监督学习、无监督学习、机器学习和深度学习这四种混搭。本文采取的是监督+无监督

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：1048576
    • 提供者：weixin_38740397