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. 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. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. 用Python实现机器学习算法——简单的神经网络

  2. 本文来自于网络，文章详细介绍了使用Python实现机器学习算法的损失函数、反向传播过程等相关知识。在这一章节里，我们将实现一个简单的神经网络架构，将2维的输入向量映射成二进制输出值。我们的神经网络有2个输入神经元，含6个隐藏神经元隐藏层及1个输出神经元。我们将通过层之间的权重矩阵来表示神经网络结构。在下面的例子中，输入层和隐藏层之间的权重矩阵将被表示为W，隐藏层和输出层之间的权重矩阵为W。除了连接神经元的权重向量外，每个隐藏和输出的神经元都会有一个大小为1的偏置量。我们的训练集由m=750个样本

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：203776
    • 提供者：weixin_38669674

  1. wtte-rnn：WTTE-RNN：流失和事件预测时间的框架-源码

  2. 无线网络 Weibull事件发生时间递归神经网络 一种用于事件预测和时间预测的简单易用的机器学习框架。 可以将预测问题（例如服务器监视地震和搅动预测的问题）作为预测事件发生时间的问题。 WTTE-RNN是一种算法和关于如何实现的哲学。 快速直观的介绍 Jupyter笔记本：， Gianmario Spacagna的“故障时间”。 韩文 安装 Python 查看。 如果这看起来，则可以将其作为内嵌式内联找到 思想和基础 您具有包含许多时间序列事件的数据，并且希望使用历史数据来预测下一个事件（

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：2097152
    • 提供者：weixin_42138408

  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. 用Python实现机器学习算法——简单的神经网络

  2. 本文来自于网络，文章详细介绍了使用Python实现机器学习算法的损失函数、反向传播过程等相关知识。在这一章节里，我们将实现一个简单的神经网络架构，将2维的输入向量映射成二进制输出值。我们的神经网络有 2个输入神经元，含6个隐藏神经元隐藏层及1个输出神经元。我们将通过层之间的权重矩阵来表示神经网络结构。在下面的例子中，输入层和隐藏层之间的权重矩阵将被表示为W，隐藏层和输出层之间的权重矩阵为W。除了连接神经元的权重向量外，每个隐藏和输出的神经元都会有一个大小为 1

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：194560
    • 提供者：weixin_38703968