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. 数据挖掘算法概要说明

  2. 数据挖掘、机器学习中各种常用模型的概念、算法汇总。内容包括：数据仓库、特征提取、模糊集、粗糙集、Fourier变换、小波变换、决策树、关联关则、kNN、聚类分析、朴素贝叶斯、EM、神经网络、遗传算法、支持向量机、隐Markov模型；提升模型、共同训练、主动学习、直推学习、广义EM算法、强化学习；学习机性能评估等。内容有一定的深度，不宜初学者。

  3. 所属分类：其它

    • 发布日期：2007-11-18
    • 文件大小：453kb
    • 提供者：yetzi1975

  1. 深度学习降维过程中的信息损失度量研究

  2. 深度学习是当前智能识别、数据挖掘等领域最重要的研究方向,通过组合低层特征,形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示.数据降维是深度学习过程中最为常见的一种过程,通过降维,能够去除数据间的相关性,便于提取更为有用的数据特征,提升识别率,加快识别速度.数据降维过程中,必然导致数据信息的损失,如何统计运用这个信息损失,目前还少有相关文献进行研究.通过对栈式自编码器深度学习算法进行研究,提出一种深度学习降维信息损失度量方法,将香农信息理论运用到降维信息损失度量中,计算深度学习降

  3. 所属分类：深度学习

    • 发布日期：2018-06-14
    • 文件大小：870kb
    • 提供者：qq_28339273

  1. 基于深度学习的文本分类研究.pdf

  2. 从文本分类由美国学者H．P．Luhn教授在1957年第一次被提出来，现今文本分类 已经成为数据挖掘领域非常重要的～个分支，它已经在搜索引擎等领域有较好的应用．文本分类中特征选择是降低特征空间维数提高分类算法精度的重要过程．所以寻找优秀的特征选择方法对特征空间进行降维，当前己是一个非常有实际价值的研究课题。

  3. 所属分类：深度学习

  1. 基于深度学习的高分辨率遥感影像目标检测

  2. 传统的目标检测识别方法难以适应海量高分辨率遥感影像数据，需要寻求一种能够自动从海量影像数据中学习最有效特征的方法，充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别，提出一种分层的深度学习模型，通过设定特定意义的分层方法建立目标语义表征及上下文约束表征，以实现高精度目标检测。通过对高分遥感影像目标检测的试验，证明了该方法的有效性。

  3. 所属分类：深度学习

    • 发布日期：2020-03-20
    • 文件大小：487kb
    • 提供者：Dan510275

  1. 生物数据挖掘中的深度学习综述论文（DL in Mining Biological Data）.pdf

  2. 本文调研了DL在识别生物数据模式中的作用，提供了-DL在生物序列，图像和信号数据中的应用；这些数据的开放获取源的概述；适用于这些数据的开源DL工具的描述；并从定性和定量的角度比较这些工具。最后，它概述了挖掘生物数据的一些开放式研究挑战，并提出了一些可能的未来前景。

  3. 所属分类：机器学习

    • 发布日期：2020-03-05
    • 文件大小：1mb
    • 提供者：syp_net

  1. 深度学习论文阅读路线论文

  2. 收集了几十篇深度学习的论文，你可以一次性下载更加系统性的学习。 深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 [1] 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图

  3. 所属分类：深度学习

    • 发布日期：2020-02-18
    • 文件大小：116byte
    • 提供者：qq_41175951

  1. 卷积神经网络在肝包虫病CT图像诊断中的应用

  2. 探讨卷积神经网络(Convonlutional Neural Network，CNN)在肝包虫病CT图像诊断中的应用。选取两种类型的肝包虫病CT图像进行归一化、改进的中值滤波去噪和数据增强等预处理。以LeNet-5模型为基础提出改进的CNN模型CTLeNet，采用正则化策略减少过拟合问题，加入Dropout层减少参数个数，对二分类肝包虫图像进行分类实验，同时通过反卷积实现特征可视化，挖掘疾病潜在特征。结果表明，CTLeNet模型在分类任务中取得了较好的效果，有望通过深度学习方法对肝包虫病提供辅助

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：305kb
    • 提供者：weixin_38634037

  1. 时空图数据挖掘深度学习技术全面综述

  2. 随着定位设备的快速发展，我们可以获得大量的时空数据。从时空数据中挖掘有用的信息对于智慧交通、城市规划等很多应用非常重要。

  3. 所属分类：机器学习

    • 发布日期：2020-11-29
    • 文件大小：2mb
    • 提供者：syp_net

  1. 用于情感分析的深度学习：成功的方法和未来的挑战

  2. 情感分析（也称为观点挖掘）是自然语言处理中一个活跃的研究领域。 它旨在从社交网络，博客或产品评论中的用户生成的文本中识别，提取和组织情感。 在过去的15年中，许多文献研究利用机器学习方法来从不同角度解决情感分析任务。 由于机器学习器的性能在很大程度上取决于数据表示的选择，因此许多研究致力于通过领域专家和精心的工程来构建功能强大的特征提取器。 近年来，深度学习方法以强大的计算模型出现，该模型无需特征工程即可自动从数据中发现文本的复杂语义表示。 这些方法改进了许多情感分析任务中的最新技术，包括句子/

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：452kb
    • 提供者：weixin_38672815

  1. 严澜：数据挖掘入门——分词

  2. 随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，数据这座金山已浮出水面。这里，严澜将带我们逐渐开启这座金山——从“分词”开始挖掘数据。谷歌4亿英镑收购人工智能公司DeepMind，百度目前正推进“百度大脑”项目，腾讯、阿里等各大巨头也在积极布局深度学习。随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，让冷冰冰的数据具有智慧逐渐成为新的热点。要从数据中发现有用的信息就要用到数据挖掘技术，不过买来的数据挖掘书籍一打开全是大量的数学公式，而课本知识早已还给老

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：589kb
    • 提供者：weixin_38747126

  1. 大数据架构详解：从数据获取到深度学习

  2. 机器学习（MachineLearning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。其专门研究计算机是怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。此外，数据挖掘和机器学习有很大的交集。本文将从架构和应用角度去解读这两个领域。数据挖掘是从海量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。数据挖掘中用到了大量的机器学习界提供的数据分析技术和数据库界提供的数据管理技术。从数据分

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：385kb
    • 提供者：weixin_38697979

  1. 一文概述深度学习中的正则化（含Python代码）

  2. 在深入探讨这个话题之前，请看一下这张图片：每次谈及过拟合，这张图片就会时不时地被拉出来“鞭尸”。如上图所示，刚开始的时候，模型还不能很好地拟合所有数据点，即无法反映数据分布，这时它是欠拟合的。而随着训练次数增多，它慢慢找出了数据的模式，能在尽可能多地拟合数据点的同时反映数据趋势，这时它是一个性能较好的模型。在这基础上，如果我们继续训练，那模型就会进一步挖掘训练数据中的细节和噪声，为了拟合所有数据点“不择手段”，这时它就过拟合了。换句话说，从左往右看，模型的复杂度逐渐提高，在训练集上的预测错误逐渐

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：393kb
    • 提供者：weixin_38697940

  1. EmotionRecognition：这是一个有关数据挖掘和深度学习的项目-源码

  2. 情绪识别 这是一个有关数据挖掘和深度学习的项目。 我们正在建立一个CNN模型，以识别图片中人们的情绪。 当前框架是基于MATLAB的。 在运行main.m之前，必须对数据库进行预处理。 请修复注释和有缺陷的数据。

  3. 所属分类：其它

  1. ENEL645：ENEL 645的课程材料-数据挖掘和机器学习-源码

  2. ENEL645 本课程是深度学习（DL）的动手课程，这是机器学习中的重要主题。 本课程将概述允许DL蓬勃发展的历史背景。 它将涵盖不同类型的神经网络，以及如何在不同的问题（例如图像分类，图像分割和信号降噪）中进行训练和部署。 将涉及的神经网络类型是完全连接的网络，卷积神经网络，完全卷积神经网络，自动编码器，递归神经网络等。 将特别重视流行的网络体系结构，例如U-net，ResNets，Inception和VGG。 该课程将涵盖如何微调预训练的模型，以在相关应用中获得最新的结果。 本课程还将简要

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：82mb
    • 提供者：weixin_42141437

  1. ADLStream：用于在线数据流挖掘的异步双管道深度学习框架-源码

  2. ADLStream 用于在线数据流挖掘的异步双管道深度学习框架。 ADLStream是一种用于数据流挖掘的新颖的异步双管道深度学习框架。 该系统具有两个分离的层，用于训练和测试，它们同时工作，以便提供快速的预测并执行模型的频繁更新。 双层体系结构可以减轻速度至关重要的数据流上下文的复杂深度学习模型（例如卷积神经网络）的计算成本问题。 可以在找到完整文档和API。 安装指南 GPU支持 理想情况下，ADLStream应该在两台GPU计算机上运行。 但是，这不是强制性的，ADLStream也可以

  3. 所属分类：其它

  1. 基于深度学习的高光谱图像空-谱联合特征提取

  2. 由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05

  3. 所属分类：其它

  1. Amazing-Feature-Engineering：功能工程是使用领域知识通过数据挖掘技术从原始数据中提取功能的过程。 这些功能可用于提高机器学习算法的性能。 特征工程可以被视为应用机器学习本身-源码

  2. 特征工程与特征选择 有关特征工程和特征选择的全面指南 ，以及Python中的实现和示例。 动机 特征工程与选择是构建可用的机器学习项目的最重要部分，尽管近来出现了数百种最先进的机器学习算法，例如深度学习和迁移学习。 确实，就像多明戈斯教授所说的那样，“主算法”的作者说： “归根结底，有些机器学习项目成功了，而有些失败了。 有什么区别？ 最重要的因素很容易就是所使用的功能。” -Pedro Domingos教授 数据和功能对ML项目的影响最大，它设置了我们做事的极限，而模型和算法才刚刚达到

  3. 所属分类：其它

  1. Coursera：课程的测验和作业-源码

  2. Coursera作业 该存储库旨在帮助在学习过程中遇到困难的Coursera学习者。 测验和编程作业属于Coursera，请不要将其用于任何其他目的。 如有任何问题，请随时与我联系，我的电子邮件是 。 经济学院专业化高级机器学习 深度学习导论 Python数据科学导论 Python中的应用机器学习 大数据导论 大数据建模与管理系统 大数据交互与处理 文字检索和搜索引擎 文本挖掘和分析 数据挖掘中的模式发现 数据挖掘中的聚类分析 数据科学家的工具箱 R编程 获取和清理数据 算法工具箱 数据结构 图

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：90mb
    • 提供者：weixin_42118056

  1. 使用递归神经网络RNN-LSTM和智能手机上的Tensorflow进行人类活动识别：这是我的硕士项目，我使用无线传感器数据挖掘实验室（WISDM）的数据集来构建机器学习模型，可使用智能手机加速计，Tensorflow框架，递归神经网络和多个

  2. 在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：151mb
    • 提供者：weixin_42100032

  1. 严澜：数据挖掘入门——分词

  2. 随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，数据这座金山已浮出水面。这里，严澜将带我们逐渐开启这座金山——从“分词”开始挖掘数据。谷歌4亿英镑收购人工智能公司DeepMind，百度目前正推进“百度大脑”项目，腾讯、阿里等各大巨头也在积极布局深度学习。随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，让冷冰冰的数据具有智慧逐渐成为新的热点。要从数据中发现有用的信息就要用到数据挖掘技术，不过买来的数据挖掘书籍一打开全是大量的数学公式，而课本知识早已还给老

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：589kb
    • 提供者：weixin_38739950
« 12 3 4 5 »