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. AI 顶级国际会议 IJCAI 斯坦福大学PH.D Aditya Grover报告深度生成模型Deep Generative Model

  2. 生成模型是图模型与概率编程语言中概率推理的核心范例，最近由于神经网络在参数化方面的改进、以及基于梯度随机优化方面的进展，使得可以对高维数据进行跨模态建模。 本教程的前半部分，将全面介绍深度生成模型，包括生成对抗网络、变分自编码器以及自回归模型。对于每一个模型，我们都将深入探讨各自的概率公式、学习算法、以及与其他模型的关系。后半部分将演示一组具有代表性的推理任务，展示深度生成网络在其中的应用。最后，我们将讨论堂前领域面临的挑战，并展望未来的研究方向。 目录 第一部分： 生成模型的动机，以及与判别

  3. 所属分类：深度学习

    • 发布日期：2018-07-25
    • 文件大小：26214400
    • 提供者：wen_fei

  1. AI学习知识点.xmind

  2. *AI学习知识点* 1. 基础知识 概率论 微积分与逼近论 极限、微分、积分的基本概念 利用逼近的思想理解微积分，利用积分的方式理解概率论 概率论的基础 古典模型 常见的概率分布 大数定理和中心极限定理 协方差和相关系数 最大似然估计和最大后验估计 凸优化 凸优化的基本概念 凸函数 凸集 凸优化问题的标准形式 线性代数及矩阵 线性空间及线性变化 矩阵的基本概念 状态转移矩阵 特征

  3. 所属分类：Python

    • 发布日期：2019-07-15
    • 文件大小：240640
    • 提供者：lingfeian

  1. 清华大学-学堂在线-大数据机器学习课件笔记.zip

  2. 清华大学-学堂在线 大数据机器学习课件笔记系列：概述、机器学习的基本概念、模型性能评估、感知机、聚类、贝叶斯分类器及图模型、决策树和随机森林、逻辑斯谛回归与最大熵模型、支持向量机 SVM、核函数与非线性 SVM、降维与度量学习、提升方法 adaboost 算法、EM 算法及混合高斯模型、计算学习理论、隐马尔可夫模型和概率图模型、条件随机场、概率图模型的学习与推断、神经网络与深度学习、深度学习正则化方法、深度学习优化方法等。

  3. 所属分类：互联网

    • 发布日期：2020-05-29
    • 文件大小：52428800
    • 提供者：weixin_43595476

  1. 第四章神经网络的学习算法——随机梯度下降numpy代码详解

  2. 本专栏是书《深度学习入门》的阅读笔记一共八章： 第一章深度学习中的Python基础。主要讲解了深度学习将要用到的python的基础知识以及简单介绍了numpy库和matpoltlib库，本书编写深度学习神经网络代码仅使用Python和numpy库，不使用目前流行的各种深度学习框架，适合入门新手学习理论知识。 第二章感知机。主要介绍了神经网络和深度学习的基本单元感知机。感知机接收多个输入，产生一个输出，单层感知器可以实现与门，或门以及与非门，但是不能实现异或门，异或门的实现需要借助多层感知机，这也

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：96256
    • 提供者：weixin_38616809

  1. 深度学习：原理与实现（基于tensorflow实现图像分类）

  2. 1. 人工神经网络 1.1 神经网络结构 人工神经网络（简称神经网络）是模拟人类大脑神经元构造的一个数学计算模型。 一个神经网络的搭建，需要满足三个条件。 输入和输出 权重（w）和阈值（b） 多层感知器的结构 1.2 神经网络运作过程 其中，最困难的部分就是确定权重（w）和阈值（b）。必需有一种方法，可以找出答案。 这种方法就是试错法。其他参数都不变，w（或b）的微小变动，记作Δw（或Δb），然后观察输出有什么变化。不断重复这个过程，直至得到对应最精确输出的那组w和b，就是我们要的值。这个过程

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：270336
    • 提供者：weixin_38614952

  1. d2l-exercise-solutions:深入学习-源码

  2. 深入研究深度学习运动解决方案 当我阅读《教科书时，记录了我的“练习题解决方案 。 我从修改了结构。 动机：刷新我对深度学习的知识。 我曾经对机器学习感兴趣，但最终放弃了它，因为我意识到，和其他许多人一样，我更喜欢深度学习的应用，而不是理论。 我更喜欢生产产品。 无论如何，作为一名Web开发人员，我将继续进步，但是机器学习将是我的爱好。 我希望这对外面的人有用。 潜入！ 图片取自 内容 进行中 [1引言] [3线性神经网络] [4个多层感知器] [5深度学习计算] [6卷积神经网络]

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：110592
    • 提供者：weixin_42099633

  1. left-shift:使用深度强化学习解决游戏2048-源码

  2. 左移 该存储库包含我们的项目中ÉcolePolytechnique的INF581：AI高级主题中使用的代码。 在此项目中，我们旨在培训2048游戏的游戏代理。 我们实现了一个来对游戏进行建模，并使用来自稳定基线库的Deep Q-Learning（DQN）算法来训练多个代理，这些代理会改变状态编码，奖励功能，网络类型和结构。 结果表明，使用单热编码的编码状态对于提高性能至关重要。 我们还得出结论，就此游戏而言，卷积神经网络（CNN）比多层感知器（MLP）更有效。 要进行更深入的讨论，请阅读。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：157286400
    • 提供者：weixin_42165973

  1. Makeathon3077_OpenSource_Sages:此网络应用预测电子商务数据交易欺诈。 它基于机器学习和神经网络模型-源码

  2. 电子商务欺诈预测器Web应用程序 网络链接： ： 此网络应用预测电子商务数据交易欺诈。 它基于机器学习和神经网络模型。 训练了7种机器学习算法（决策树，随机森林，逻辑回归，支持向量机，梯度提升和K最近邻和KMeans算法）和2种深度学习神经网络模型（单层感知器和多层感知器）并对其进行了测试使用电子交易数据集（kaggle）和精度最高的百分位数的模型来构建网络预测器。 该Web应用程序是使用以下库在Python中构建的： 流线型 大熊猫 斯克莱恩 海生的 matplotlib.pypl

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：199680
    • 提供者：weixin_42144604

  1. 深度学习教程：从感知器到深层网络

  2. 近些年来，人工智能重新兴起。它已超出学术领域范畴，Google、Microsoft和Facebook几大玩家创建了自己的研发团队，并取得了了一些令人瞩目的成果。这些可以归功于社交网络用户产生的丰富原始数据（大多仍需要再分析）以及通过GPGPUs（通用计算图形处理器）获得的廉价计算能力。但在这些现象之外，人工智能的重新兴起很大程度上得力于AI的一种新趋势，确切地说是在机器学习领域，被称为「深度学习」。在这篇教程中，我将向你介绍深度学习背后一些关键性概念和算法，从最简单的组成单元开始，以此为基础构造

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：538624
    • 提供者：weixin_38621082

  1. 最简单的深度学习算法——感知器的前世今生

  2. 猛料不断，先有Boston动力的“仁义”机器人反恐演习，紧接着MIT的狗狗们在实验室的绿茵场上集体卖萌，让我们感慨强人工智能离我们也许不远了。作为快要秃头的我们，又该怎么看待这个快速变化的世界呢？在知识更新越来越快的现在，想要专注于当下似乎都变得艰难。其实柳猫想要告诉大家，作为一个普通人，对各种信息越是了解的多，认识的越是浅薄，为了增强自己的不可替代性，必须增加自己专业的深度，从一而终。今天，想跟大家分享一下最早也是最简单的一个机器学习模型：感知器~神经网络的AI先驱们一直依靠着神经元的绘图以及

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：487424
    • 提供者：weixin_38666697

  1. 深度学习：感知器学习算法

  2. 因为你知道感知器是创建深层神经网络的基本构件，因此，很明显，我们应该从感知器开始掌握深层学习的旅程，并学习如何使用TensorFlow来实现它来解决不同的问题。如果你对深度学习还不太熟悉，我建议你浏览一下这个深度学习教程系列的前一篇博客，以避免任何困惑。以下是本博客中关于感知器学习算法的主题：感知器作为线性分类器使用TensorFlow库实现感知器声纳数据分类使用单层感知器分类问题类型可以对各种分类问题进行分类可以用神经网络分为两大类：基本上，如果你能用一条线把数据集分为两类或两类，那么一个问题

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：541696
    • 提供者：weixin_38750721

  1. ANRL：ANRL：通过深度神经网络进行属性网络表示学习（IJCAI-2018）-源码

  2. 安尔 ANRL：通过深度神经网络进行的属性网络表示学习（IJCAI-18） 这是ANRL算法的Tensorflow实现，可为网络中的每个节点学习低维表示。 具体来说，ANRL由两个模块组成，即邻居增强自动编码器和属性感知跳过语法模型，以共同捕获节点属性接近度和网络拓扑接近度。 要求 python2.7或python3.6 张量流 网络 麻木 科学的 scikit学习 所有必需的软件包都在requirements.txt中定义。 要安装所有要求，只需使用以下命令： pip install -

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：5242880
    • 提供者：weixin_42133753

  1. 深入研究感官分析-现代-阿塞拜疆电影：本文主要介绍了多层感知器（MLP）模型的实现-可用于从文本中检测情感-源码

  2. 深度学习感官分析在现代阿塞拜疆电影中的应用 在这个项目中，我调查与一组现代阿塞拜疆电影有关的评论，并对每个评论分为正面或负面进行情感分析。 该项目主要描述了多层感知器（MLP）模型的实现，该模型可用于检测文本中的情感。 该项目包括三个主要部分： 该组件的主要目的是在阿塞拜疆人中检索和预处理电影评论文本数据，该数据将用于预测新评论的情绪。 尽管社交媒体上的大多数数据都是基于文本的，但无法将深度学习过程直接应用于此原始数据，并且每个问题的文本数据准备都不同。 准备工作从简单的步骤开始，例如加载数

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：3145728
    • 提供者：weixin_42134240

  1. 希伯来语深度学习：希伯来语ספרמלאבעבריתבנושאיםשללמידתמכונהולמידהעמוקה-源码

  2. 希伯来语深度学习 למידתמכונהולמידהעמוקהבעברית 目录 1.机器学习导论 2.机器学习算法 3.线性神经网络（回归问题） 3.1线性回归 3.1.1基本概念 3.1.2梯度下降 3.1.3正则化和交叉验证 3.1.4线性回归作为分类器 3.2 Softmax回归 3.2.1 Logistic回归 3.2.2交叉熵和梯度下降 3.2.3优化 3.2.4 SoftMax回归–多类Logistic回归 3.2.5 SoftMax回归为神经网络 4.深度神经网络

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：4194304
    • 提供者：weixin_42134537

  1. 深度学习TensorFlow：使用TensorFlow即可使用各种深度学习算法的实现-源码

  2. TensorFlow的深度学习算法 该存储库是使用库实现的各种深度学习算法的集合。 该软件包旨在用作命令行实用程序，您可以使用它来快速训练和评估流行的深度学习模型，并且可以将它们用作自定义模型/数据集的基准/基线。 如果您想使用ipython的软件包或将其集成到代码中，我发布了一个名为yadlt的pip软件包： yadlt Another Deep Learning Tool。 要求： 张量流> = 1.0 可用型号清单： 卷积网络 受限玻尔兹曼机 深层信仰网络 深度自动编码器作为RB

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：68608
    • 提供者：weixin_42119281

  1. 人工智能和机器学习：用于实现人工智能算法的存储库，其中包括机器学习和深度学习算法以及经典的AI搜索算法-源码

  2. 人工智能与机器学习 这是我不时从事的人工智能项目的存储库。 您可以找到用不同语言（包括Java，Python和C ++）从头开始编码的算法。 该算法的范围从经典的人工智能搜索算法到机器学习和深度学习算法。 如果您希望对某种算法进行编码和解释，欢迎提出。 我也有实现AI / ml到现实世界项目的实现，请参见下面的目录，以偷偷摸摸地查看这些项目！ 表中的内容 :gear: ：实现深层神经网络的所有组成部分，包括感知器，梯度发光，反向传播，正向传播等。 :spider_web_selector

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：41943040
    • 提供者：weixin_42122306

  1. 深度学习教程：从感知器到深层网络

  2. 近些年来，人工智能重新兴起。它已超出学术领域范畴，Google、Microsoft和Facebook几大玩家创建了自己的研发团队，并取得了了一些令人瞩目的成果。这些可以归功于社交网络用户产生的丰富原始数据（大多仍需要再分析）以及通过GPGPUs（通用计算图形处理器）获得的廉价计算能力。但在这些现象之外，人工智能的重新兴起很大程度上得力于AI的一种新趋势，确切地说是在机器学习领域，被称为「深度学习」。在这篇教程中，我将向你介绍深度学习背后一些关键性概念和算法，从最简单的组成单元开始，以此为基础构造

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：538624
    • 提供者：weixin_38526751

  1. 最简单的深度学习算法——感知器的前世今生

  2. 猛料不断，先有Boston动力的“仁义”机器人反恐演习，紧接着MIT的狗狗们在实验室的绿茵场上集体卖萌，让我们感慨强人工智能离我们也许不远了。作为快要秃头的我们，又该怎么看待这个快速变化的世界呢？在知识更新越来越快的现在，想要专注于当下似乎都变得艰难。其实柳猫想要告诉大家，作为一个普通人，对各种信息越是了解的多，认识的越是浅薄，为了增强自己的不可替代性，必须增加自己专业的深度，从一而终。今天，想跟大家分享一下最早也是最简单的一个机器学习模型：感知器~神经网络的AI先驱们一直依靠着神经元的绘图以及

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：487424
    • 提供者：weixin_38683488

  1. 深度学习：感知器学习算法

  2. 因为你知道感知器是创建深层神经网络的基本构件，因此，很明显，我们应该从感知器开始掌握深层学习的旅程，并学习如何使用TensorFlow来实现它来解决不同的问题。如果你对深度学习还不太熟悉，我建议你浏览一下这个深度学习教程系列的前一篇博客，以避免任何困惑。以下是本博客中关于感知器学习算法的主题：感知器作为线性分类器使用TensorFlow库实现感知器声纳数据分类使用单层感知器分类问题类型 可以对各种分类问题进行分类可以用神经网络分为两大类：基本上，如果你能用一条线把数据集分为两类或两类，那么一个问

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：541696
    • 提供者：weixin_38601499

  1. 感知器-从零开始学深度学习

  2. 未来将是人工智能和大数据的时代，是各行各业使用人工智能在云上处理大数据的时代，深度学习将是新时代的一大利器，在此我将从零开始记录深度学习的学习历程。我希望在学习过程中做到以下几点：了解各种神经网络设计原理。 掌握各种深度学习算法的python编程实现。 运用深度学习解决实际问题。 让我们开始踏上深度度学习的征程。 想要了解“神经网络”，我们需要了解一种叫做“感知器”

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：120832
    • 提供者：weixin_38652196
« 12 »