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. 高斯消元法 c++实现的 一起分享 共同学习

  2. 运用c++实现的高斯消元法，对学习算法的同学有一定的帮助，希望与喜欢算法的同学一起学习

  3. 所属分类：C/C++

    • 发布日期：2011-06-28
    • 文件大小：225kb
    • 提供者：dsy666666

  1. Clustering algorithm recommendation a meta-learning approach

  2. 本文是英文原文:研究了使用元学习技术（学习的学习）进行聚类算法推荐的适应性；针对目前元学习技术主要应用到分类问题上而对于聚类问题的研究几乎处于空白的现实，设计了元学习技术应用到聚类问题上的实验。论文首先介绍了元学习；其次介绍了实验的设计包括使用的数据集、聚类算法、聚类度量指标、元属性、元算法、元学习度量指标；最后分析了实验结果。

  3. 所属分类：其它

    • 发布日期：2014-04-30
    • 文件大小：565kb
    • 提供者：lhkaikai

  1. 岳亚丁：模型与算法设计中的问题及智能化出路

  2. 在#智能算法#主题论坛演讲的是腾讯公司专家研究员岳亚丁博士。他带来了主题为《模型与算法设计中的问题及智能化出路》的精彩演讲。他认为，分类、回归、聚类、最优化等是目前值得关注的一些处理；智能化出路在于自组织建模、元学习和进化计算。自组织建模的优点是：模型结构是数据驱动的...

  3. 所属分类：讲义

    • 发布日期：2014-05-29
    • 文件大小：7mb
    • 提供者：fowse

  1. 我学习算法的源文件

  2. 这是我学习算法的元代码，你不信就别下载啊，希望你别信

  3. 所属分类：C/C++

    • 发布日期：2014-07-21
    • 文件大小：139kb
    • 提供者：chisheng2006

  1. 机器学习思维导图

  2. 常用机器学习算法的思维导图，梳理了所有相关知识，很适合对各部分的整体把握与补遗。推荐使用MindManager思维导图软件查看 目录： 1.机器学习基础.mmap 2.k-近邻算法.mmap 3.决策树.mmap 4.基于概率论的分类方法：朴素贝叶斯.mmap 5.Logistic回归.mmap 6.SVM.mmap 7.利用AdaBoost元算法提高分类性能.mmap 8.预测数值型数据：回归.mmap 9.树回归.mmap 10.利用k-均值聚类算法对未标注数据分组.mmap 11.使用A

  3. 所属分类：机器学习

    • 发布日期：2018-03-20
    • 文件大小：562kb
    • 提供者：corebox

  1. C/C++常用算法手册.秦姣华(带详细书签).pdf

  2. 涵盖广泛 精炼的理论讲述搭配大量经典算法示例，学习查询兼而有之。 阐述到位 算法思想、算法实现和完整示例合理搭配，相辅相成。 示例完善 示例分析精准，代码注释精确，每段代码皆可通过编译执行。 计算机技术的发展和普及不仅改变了人们的生活和娱乐方式，也改变了人们的工作方式，这其中最为重要的便是计算机编程技术。现代的设计任务大多通过代码编程交给计算机来完成，其中算法起到了至关重要的作用。可以毫不夸张地说，算法是一切程序设计的灵魂和基础。 《C/C++常用算法手册》分3篇，共13章，“第1篇算法基础篇

  3. 所属分类：C++

    • 发布日期：2018-04-15
    • 文件大小：24mb
    • 提供者：kxjrzyk

  1. 预训练文本表示作为元学习（Pre-training Text Representations）

  2. 在这项工作中，我们介绍了一个学习算法，它直接优化模型学习文本表示的能力，以有效地学习下游任务。我们证明了多任务预训练和模型不可知的元学习之间有着内在的联系。BERT中采用的标准多任务学习目标是元训练深度为零的学习算法的一个特例。我们在两种情况下研究了这个问题:无监督的预训练和有监督的预训练，不同的预训练对象验证了我们的方法的通用性。实验结果表明，我们的算法对各种下游任务进行了改进，获得了更好的初始化。

  3. 所属分类：机器学习

    • 发布日期：2020-04-17
    • 文件大小：364kb
    • 提供者：syp_net

  1. 元学习的好奇心算法（Meta-learning curiosity algorithms）.pdf

  2. 我们假设好奇心是进化过程中发现的一种机制，它鼓励个体在生命早期进行有意义的探索，从而使个体接触到能够在其一生中获得高回报的经历。我们将产生好奇行为的问题表述为元学习的问题之一:一个外环将在一个好奇心机制的空间中搜索，该机制动态地适应代理的奖励信号，而一个内环将使用适应的奖励信号执行标准的强化学习。

  3. 所属分类：机器学习

    • 发布日期：2020-03-13
    • 文件大小：2mb
    • 提供者：syp_net

  1. 股票交易进化策略的元学习

  2. 元学习算法了解学习过程本身，因此可以用较少的数据和迭代来加快后续的类似学习任务。 如果实现，这些好处将传统机器学习的灵活性扩展到时间或数据可用时间窗口较小的区域。 这样的领域之一就是股票交易，随着时间的流逝，数据的相关性下降，需要在更少的数据点上获得快速的结果，才能应对快速变化的市场趋势。 据我们所知，我们是第一个将元学习算法应用于股票交易进化策略的公司，它通过减少迭代次数来减少学习时间，并通过减少数据点来获得更高的交易利润。 我们发现，我们的股票交易元学习方法所获得的利润类似于纯进化算法。 但

  3. 所属分类：其它

    • 发布日期：2020-06-02
    • 文件大小：1022kb
    • 提供者：weixin_38680625

  1. 《小样本自然语言处理的元学习》综述论文

  2. 小样本自然语言处理(NLP)是指NLP任务只具有少量标注的样例。这是人工智能系统必须学会处理的现实挑战。通常我们依赖于收集更多的辅助信息或开发一个更有效的学习算法。

  3. 所属分类：机器学习

    • 发布日期：2020-07-22
    • 文件大小：354kb
    • 提供者：syp_net

  1. 自适应模型不可知元学习

  2. MAML算法在分类、回归和策略梯度微调的少次学习问题上表现良好，但需要代价高昂的超参数调整来保持训练的稳定性。在MAML引入一个名为阿尔法·MAML的扩展来解决这个缺点，该扩展结合了一个在线超参数自适应方案，消除了调整元学习和学习速率的需要。Alpha MAML: Adaptive Model-Agnostic Meta-Learning

  3. 所属分类：专业指导

    • 发布日期：2020-11-29
    • 文件大小：883kb
    • 提供者：qq_41043463

  1. 元学习-MAML-资源整合

  2. 借鉴其他的博主写的文章，以及自己的理解做的笔记，通过这个word的笔记，可以清楚的掌握MAML的算法理论以及实际使用时的简化，参考链接在文章里面，此文章免费下载。

  3. 所属分类：深度学习

    • 发布日期：2020-12-17
    • 文件大小：8mb
    • 提供者：qq_43492938

  1. 《元学习神经架构、初始权值、超参数和算法组件》报告

  2. 近年来，元学习方法取得了快速进展。元学习方法通过跨任务和领域迁移知识，以更有效地学习新任务，优化学习过程本身，甚至从头开始生成新的学习方法。

  3. 所属分类：机器学习

    • 发布日期：2020-12-20
    • 文件大小：4mb
    • 提供者：syp_net

  1. BOML:Python中的双级优化库，用于多任务和元学习-源码

  2. BOML-用于元学习的Python双层优化库 BOML是一个模块化的优化库，它将几种ML算法统一为一个通用的双层优化框架。它提供了用于实现流行的双层优化算法的接口，因此您可以快速构建自己的元学习神经网络并测试其性能。 ReadMe.md包含简短介绍，以在少数镜头分类字段中实现基于元初始化和基于元功能的方法。除已提出的算法外，还可以使用较低级别策略和较高级别策略的各种组合。 元学习 当通过学习具有良好泛化能力的初始化来面对传入的新任务时，元学习效果很好。它甚至在提供少量培训数据的情况下也具有良

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：12mb
    • 提供者：weixin_42135753

  1. few_shot_meta_learning:许多元学习算法的实现，以解决Pytorch中的一次性学习问题-源码

  2. 少量的元学习 该存储库包含许多元学习算法的实现，以解决PyTorch中的少量学习问题，包括： Python套件需求 PyTorch 1.8 （引入了新的Lazy模块） 火炬模块功能形式的新更新 “功能性”是什么意思？ 它类似于模块torch.nn.functional ，其中可以显式处理参数，而不是像PyTorch torch.nn.Sequential()那样隐式地处理参数。 例如，可以构建一个2隐层从PyTorch下完全连接的神经网络fc_model ： # conventional wi

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：37kb
    • 提供者：weixin_42131541

  1. 修正Gibbs采样的有限混合模型无监督学习算法

  2. 针对传统有限混合模型无监督学习算法不能处理参数维数变化的问题,提出了一种基于修正Gibbs 采样的无监督学习算法. 该算法的关键是,在每一次完全采样之后引入分布元的合并和剔除技术,即将利用均值、协方差矩阵差值的2 范数作为合并的判断准则,最小且小于阈值的分布元权重作为剔除规则. 仿真实验表明,所提算法对于参数初值的选择是不敏感的,对于分布元个数的先验信息要求得更少,它不仅可以处理维数变化问题,而且不必计算跳变概率,同时能够很好地估计出分布元个数及其参数.

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：255kb
    • 提供者：weixin_38732307

  1. 元清理：通过元学习进行数据准备-源码

  2. MetaPrep：通过元学习优化数据准备 MetaPrep是使用Python开发的工具，用于基于元学习（一种从过去的经验中学到的技术）进行预处理和自动数据清除。 因此，当提供要清理的新数据集时，该工具为存在的数据类型选择理想的技术，并返回要使用的5条管道建议。 除了自动预处理之外，MetaPrep是可延展的，允许开发人员根据算法中存在的技术定义自己的管道。 MetaPrep中存在的技术： 归零数据： 删除案例，平均值，中位数和最常见。 标准化和标准化： 标准定标器，minmax和归一化器；

  3. 所属分类：其它

  1. Hyperactive：超参数优化和元学习工具箱，可方便，快速地进行机器深度学习模型的原型制作-源码

  2. 超参数优化和元学习工具箱，可方便，快速地建立机器学习模型的原型。 主人身份： 开发人员状态： 代码质量： 最新版本： Hyperactive主要是一个超参数优化工具包，旨在简化模型选择和调整过程。 您可以使用任何机器学习或深度学习软件包，而无需学习新语法。 Hyperactive具有两个特性，因此在模型优化中具有很高的通用性： 您可以在目标函数中定义任何类型的模型。 它只需要返回一个得分/度量值即可最大化。 搜索空间不仅接受“ int”，“ float”或“ str”作为数据类型，

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：616kb
    • 提供者：weixin_42139042

  1. EdgeML：此存储库提供了针对由Microsoft Research India开发的边缘设备的机器学习算法的代码-源码

  2. 边缘机器学习库 该存储库为开发的边缘设备提供了机器学习算法的代码。 边缘设备的机器学习模型在存储，预测等待时间和能量方面需要占用很小的空间。 希望使用这种模型的一个实例是物联网（IoT）设置中资源稀缺的设备和传感器。 在不连接到云的情况下在IoT设备上本地进行实时预测所需的模型需要几千字节的大小。 内容 在这种设置下，无论是模型大小还是计算能力都非常出色的算法包括： 盆景：基于强和浅的非线性树的分类器。 ProtoNN ：基于原型类型的k最近邻（k NN ）分类器。 EMI-RNN ：训

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：26mb
    • 提供者：weixin_42118011

  1. 给你选择Python语言实现机器学习算法的三大理由

  2. 基于以下三个原因，我们选择Python作为实现机器学习算法的编程语言：(1) Python的语法清晰；(2) 易于操作纯文本文件；(3) 使用广泛，存在大量的开发文档。 可执行伪代码 Python具有清晰的语法结构，大家也把它称作可执行伪代码（executable pseudo-code）。默认安装的Python开发环境已经附带了很多高级数据类型，如列表、元组、字典、集合、队列等，无需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常简单。此外，读者还可以使用自己

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：178kb
    • 提供者：weixin_38697557
« 12 3 4 5 6 7 8 9 10 ... 16 »