大数据下载,算法与数据结构下载列表第474页

[算法与数据结构] Mastering Machine Learning With scikit learn pdf

说明： Mastering Machine Learning scikit-learn Mastering Machine Learning scikit-learn Mastering Machine Learning scikit-learn sklearn
<u014411730> 上传 | 大小：3mb

[算法与数据结构] scikit-learn Cookbook pdf sklearn

说明： scikit-learn Cookbook pdf sklearn About This Book ============================== Learn how to handle a variety of tasks with Scikit-Learn with interesting recipes that show you how the library really works Use Scikit-Learn to simplify
<u014411730> 上传 | 大小：2mb

[算法与数据结构] 算法讲义与遗传算法

说明：其中包含先进算法讲义-中科大与遗传算法的原理及应用。
<no_matter_try_again> 上传 | 大小：629kb

[算法与数据结构] CNN手势识别

说明：手势识别源码，用的算法是CNN，实施识别，运行系统包括windows和ubuntu
<weixin_29413055> 上传 | 大小：17mb

[算法与数据结构] 干净的数据 clean data

说明：理解数据清洗在整个数据科学过程中的作用掌握数据清洗的基础知识，包括文件清洗、数据类型、字符编码等发掘电子表格和文本编辑器中与数据组织和操作相关的重要功能学会常见数据格式的相互转换，如JSON、CSV和一些特殊用途的格式采用三种策略来解析和清洗HTML文件中的数据揭开PDF文档的秘密，提取需要的数据借助一系列解决方案来清洗存放在关系型数据库里的坏数据创建自己的干净数据集，为其打包、添加授权许可并与他人共享使用书中的工具以及Twitter和Stack Overflow数据，完成两个
<feloxx> 上传 | 大小：30mb

[算法与数据结构] Algorithms for nonnegative matrix and tensor factorizations

说明： Kim J, He Y, Park H. Algorithms for nonnegative matrix and tensor factorizations: a unified view based on block coordinate descent framework[J]. Journal of Global Optimization, 2014, 58(2):285-319.
<puppet_love> 上传 | 大小：798kb

[算法与数据结构] 非负矩阵与张量分解及其应用

说明：阵的低秩逼近是一种大规模矩阵低秩近似表示技术，是从大规模、复杂的数据中寻求数据潜在信息的一种强有力方法。非负矩阵分解（ Nonnegative MatrixFactorization, NMF)）是矩阵的低秩逼近方法之一，它是指被分解的矩阵和分解结果矩阵的数值都是非负的。由于该方法符合数据的真实物理属性，数据的可解释性强，分解结果能够表示事物的局部特征，且模型符合人们对于客观世界的认识规律（整体是由局部组成的）等优点，模型和算法自提出以来得到了广泛研究和应用，已经被成功地应用到许多
<puppet_love> 上传 | 大小：2mb

[算法与数据结构] 非负张量分解及应用

说明：在现实生活中，往往存在着大量多维数据，例如视频流数据，文本数据， RGB图像等。传统的方法往往通过某种方式将多维数据重新排列成矩阵形式，利用矩阵分析方法，例?蛔PCA，SVD，NMF，进行特征提取、聚类、分类等操作，这无疑破坏了数据原本的空间结构，增加了分析结果的不准确性，而张量在分析数据的同时，能够保持多维数据的空间结构不被破坏，这极大地引起了学者们的研究热情。张量即多维数组，它是向量和矩阵在高维上的推广，目前被广泛应用在计算机视觉、数据挖掘、信号处理等领域。本文着重研究三阶非负
<puppet_love> 上传 | 大小：2mb

[算法与数据结构] 基于非负张量分解的音频分类方法

说明：为了提高音频数据分类正确率，提出一种通过非负张量分解(NTF)的分类方法. 音频信号经过预处理后，提取声学特征和感知特征参数，然后构建非负的 3 阶音频张量，其各阶分别对应特征、帧、样本；其次，通过 NTF 得到每一类音频的核张量与因子矩阵，让测试样本构建的张量与各类型音频的因子矩阵的转置进行张量乘，得到对核张量的近似；最后，通过 Frobenius 范数进行相似性度量，完成分类. 使用古典音乐、流行音乐、语音、噪声 4 种类型的音频数据测试分类效果. 结果表明，平均分类正确率在 85%
<puppet_love> 上传 | 大小：241kb