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. 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. 三种优化算法实现根据两门成绩判断学生能否录取的logistic应用

  2. 用三种优化方法实现logistic回归的应用，根据学生的两门成绩，判断是否能录取。采用梯度下降法（GD），随机梯度下降法（SGD）和牛顿法（Newton）三种优化方法，绘制动态迭代图，可以动态观察决策结果以及损失函数的收敛过程。数据集和三种算法的代码均打包在一起，采用Jupyter Notebook编写（python）。

  3. 所属分类：Python

    • 发布日期：2020-07-01
    • 文件大小：12288
    • 提供者：ldm_666

  1. python实现随机梯度下降（SGD）

  2. 主要为大家详细介绍了python实现随机梯度下降SGD，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：40960
    • 提供者：weixin_38677648

  1. python实现随机梯度下降（SGD）

  2. 使用神经网络进行样本训练，要实现随机梯度下降算法。这里我根据麦子学院彭亮老师的讲解，总结如下，（神经网络的结构在另一篇博客中已经定义）： def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None): if test_data: n_test = len(test_data)#有多少个测试集 n = len(training_data) for j in xrange(epoch

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：40960
    • 提供者：weixin_38638033

  1. Differential-Privacy:数据590 A-源码

  2. 使用归一化流生成差分私有综合数据 该存储库包含用于训练模型的代码和脚本，这些模型从包含机密和/或敏感数据的原始数据集中生成差异私有的合成数据。 该模型基于蒙版自回归流（MAF）架构和差分专用随机梯度下降（DP-SGD）。 该代码在Pytorch中实现，并使用库提供差分隐私。 系统要求 安装依赖项 $ pip install -r requirements.txt 如何运行代码 与基本合成器相关的所有代码都可以在目录中找到。 该目录还包含示例笔记本，这些笔记本演示了如何生成综合数据集并测试基本综合

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：85983232
    • 提供者：weixin_42133969

  1. Advanced-Factorization-of-Machine-Systems:GSOC 2017-Apache组织-＃使用并行随机梯度下降（python和scala）在Spark上实现分解机器-源码

  2. 带有并行SGD的Spark上的FM 使用并行随机梯度下降（python和scala）在Spark上实现分解工厂机 因子分解机是Rendle在推出的智能通用预测器，可以捕获数据集中的所有单向和成对交互。 它可以应用于任何实值特征向量，并且在高度稀疏的数据上也能很好地执行。 FM的扩展，即Field Factorization Machines， 的被证明是预测广告点击量的成功方法。 我构建了一个自定义Spark实施以在Python和Scala中使用。 为了在Spark中充分利用并行计算，我实现

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：391168
    • 提供者：weixin_42117082

  1. hebel：Python中的GPU加速的深度学习库-源码

  2. 赫贝尔 Python中的GPU加速的深度学习库 Hebel是一个用于Python深度神经网络学习的库，它通过PyCUDA通过CUDA与GPU一起使用GPU加速。 它实现了最重要的神经网络模型类型，并提供了各种不同的激活函数和训练方法，例如动量，涅斯特罗夫动量，辍学和提前停止。 我不再积极发展Hebel。 如果您正在寻找Python的深度学习框架，我现在推荐 。 楷模 目前，Hebel实现了前馈神经网络，可以对一项或多项任务进行分类和回归。 其他模型，例如Autoencoder，卷积神经网络和R

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：135168
    • 提供者：weixin_42126399