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. LINGO软件的学习

  2. LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。 §1 LINGO快速入门 当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口： 外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要 在该窗口内编码实现。下面举两个例子

  3. 所属分类：C

    • 发布日期：2009-08-08
    • 文件大小：312kb
    • 提供者：huxlaylyx

  1. xml实用大全和轻松学习手册和无废话xml

  2. 三个资料： xml实用大全 无废话xml xml轻松学习手册 XML轻松学习手册: · 第一章:XML快速入门 · 一. 什么是XML？ · 二. XML是新概念吗？ · 三. 使用XML有什么好处？ · 四. XML很难学吗？ · 五. XML和HTML的区别 · 六. XML的严格格式 · 七. 关于XML的更多 · 第二章:XML概念 · 一. 扩展性 · 二. 标识 · 三. 语言 · 四. 结构化 · 五. Meta数据 · 六. 显示 · 七. DOM · 第三章:XML的术语 ·

  3. 所属分类：Java

    • 发布日期：2010-02-05
    • 文件大小：2mb
    • 提供者：iefus

  1. Web Data Mining (英文)

  2. 目录回到顶部↑ 第一部分 数据挖掘基础. 第1章 概述3 1.1 什么是万维网3 1.2 万维网和互联网的历史简述4 1.3 web数据挖掘5 1.3.1 什么是数据挖掘6 1.3.2 什么是web数据挖掘7 1.4 各章概要8 1.5 如何阅读本书10 文献评注10 第2章 关联规则和序列模式12 2.1 关联规则的基本概念12 2.2 apriori算法14 2.2.1 频繁项目集生成14 2.2.2 关联规则生成17 2.3 关联规则挖掘的数据格式19 2.4 多最小支持度的关联规则挖掘

  3. 所属分类：专业指导

    • 发布日期：2012-05-02
    • 文件大小：8mb
    • 提供者：chen_767

  1. 2015-深度学习研究综述

  2. 鉴于深度学习在学术界和工业界的重要性,依据数据流向对目前有代表性的深度学习算法进行归纳和总 结,综述了不同类型深度网络的结构及特点. 首先介绍了深度学习的概念;然后根据深度学习算法的结构特征,概 述了前馈深度网络、反馈深度网络和双向深度网络 3 类主流深度学习算法的网络结构和训练方法;最后介绍了深 度学习算法在不同数据处理中的最新应用现状及其发展趋势. 可以看到:深度学习在不同应用领域都取得了明显 的优势,但仍存在需要进一步探索的问题,如无标记数据的特征学习、网络模型规模与训练速度精度之间的权

  3. 所属分类：深度学习

    • 发布日期：2017-11-01
    • 文件大小：4mb
    • 提供者：lvhao578041381

  1. 《RapidMiner数据分析与挖掘实战》第9章 K-Means 聚类、辨别分析

  2. 与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度将他们划分为若干组，划分的原则是组内样本最小化而组间（外部）距离最大化，如图9 1所示。

  3. 所属分类：算法与数据结构

    • 发布日期：2018-06-30
    • 文件大小：362kb
    • 提供者：qq_40370890

  1. 机器学习-第九章聚类

  2. 在“无监督学习”中，训练样本的标记信息是未知的。目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为了进一步的数据分析提供基础。

  3. 所属分类：机器学习

    • 发布日期：2018-11-22
    • 文件大小：2mb
    • 提供者：chegaofeng

  1. 最新《图机器学习》综述论文 (斯坦福谷歌)

  2. 近年来，人们对学习图结构数据表示的兴趣大增。基于标记数据的可用性，图表示学习方法一般分为三大类。第一种是网络嵌入(如浅层图嵌入或图自动编码器)，它侧重于学习关系结构的无监督表示。第二种是图正则化神经网络，它利用图来增加半监督学习的正则化目标的神经网络损失。

  3. 所属分类：机器学习

    • 发布日期：2020-05-11
    • 文件大小：1mb
    • 提供者：syp_net

  1. 无标记数据学习, 一致性学习与自监督学习是什么？【Google AI-Luong, 83ppt】.zip

  2. 如何利用未标记数据进行机器学习是当下研究的热点。最近自监督学习、对比学习等提出用于解决该问题。最近来自Google大脑团队的Luong博士介绍了无标记数据学习的进展，半监督学习以及他们最近重要的两个工作：无监督数据增强和自训练学习，是非常好的前沿材料。

  3. 所属分类：机器学习

    • 发布日期：2020-03-05
    • 文件大小：9mb
    • 提供者：syp_net

  1. 菊安酱的机器学习第1期-k-近邻算法（直播）.pdf

  2. k-近邻算法的课件。来自于菊安酱的机器学习实战12期的免费教程。内涵python源码。菊安酱的直播间: 我们已经知道k近邻算法的工作原理,根据特征比较,然后提取样本集中特征最相似数据(最近邻)的分类标签。 那么如何进行比较呢?比如表1中新出的电影,我们该如何判断他所属的电影类别呢?如图2所示。 电影分类 120 爱情片(1,101) 爱情片(12,97) 80 爱情片(5,89) 水弊 60 ?(24,67) 动作片(112,9 20 动作片(1158) 动作片(108,5) 0 20 60 8

  3. 所属分类：讲义

    • 发布日期：2019-07-27
    • 文件大小：847kb
    • 提供者：qiu1440528444

  1. 基于深度学习和半监督学习的webshell检测方法

  2. 半监督学习是一种重要的机器学习方法，能同时使用有标记样本和无标记样本进行学习。在webshell检测领域，有标记样本少、形式灵活多变、易混淆，基于特征匹配的方式很难进行准确检测。针对标记样本较少的现状，提出一种基于深度学习和半监督学习的webshell检测方法，先使用卡方检验和深度学习方法获取样本的文本向量，然后分别使用单分类和增量学习方式训练，提高分类性能。使用github公开数据集进行训练和测试，实验结果验证该方法能够有效改善webshell检测的漏报率和误报率。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：391kb
    • 提供者：weixin_38724229

  1. 机器学习笔记2_机器学习的分类

  2. 机器学习分类 按机器学习本身分类，而可分为： 监督学习 非监督学习 半监督学习 加强学习 监督学习 给机器的训练数据拥有“标记”或者说是“答案”。 主要是回归和分类问题，本课程以下算法为监督学习： K临近 线性回归和多项式回归 逻辑回归 SVM 决策数和随机森林 非监督学习 对没有标记的数据进行分类–聚类分析 可以对数据进行降维处理和异常监测（作用）。 半监督学习 一部分数据有标记，一部分数据没有标记 通常都会先使用无监督学习手段对数据做处理，之后使用监督学习的手段做模型的处理和预测。 增强学习

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：37kb
    • 提供者：weixin_38714637

  1. 【ML小白】10 个机器学习 Q&A，面试必知！

  2. 本文整理了一些最常见的机器学习面试问题及其相应的回答。机器学习有志者以及经验丰富的ML专业人员可以在面试前以此巩固其基础知识。 1. 机器学习和深度学习有什么区别？机器学习是人工智能的一个子集，为机器提供了无需任何显式编程就能自动学习和改进的能力。而深度学习是机器学习的一个子集，其人工神经网络能够做出直觉决策。2. 如何理解召回率和精度这两个术语？召回率又称真阳性率，是模型所需的阳性例数与整个数据中可用阳性例数的比值。精度基于预测，又称阳性预测值，是模型所需的准确阳性例数测量值与模型实际需要的阳

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：315kb
    • 提供者：weixin_38711041

  1. python-patterns-study:faifpython-patterns的学习，和其他一些地方来的资料-源码

  2. python设计模式学习 这是一个python设计模式及其用法的汇总。 faif / python-patterns。 现有的模式 按常用程度，标记为： :1st_place_medal: ， :2nd_place_medal: ， :3rd_place_medal: ，空白。 1级最常用/重要/有用，然后常用程度依次递减，无标记的大概就不怎么经常用到了。 创建型模式 模式 描述 :2nd_place_medal:委托某特定的函数/方法去创建新实例 :2nd_place_medal:对

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：55kb
    • 提供者：weixin_42123296

  1. 无监督适应网络的自定步伐类别感知方法

  2. 深度神经网络的成功通常取决于大量标记的训练样本，不幸的是，在实践中很难获得这些样本。 无监督域适应着重于目标域中没有标记数据的问题。 在本文中，我们提出了一种新颖的深度无监督域自适应方法，该方法可以学习可传递的特征。 与大多数现有方法不同，它尝试通过执行类别自适应以匹配每个类别的样本条件分布来学习更好的领域不变特征表示。 自定进度的学习策略用于逐渐带动标签信息的意识，即使标签在目标域中不可用，这也使得按类别进行适应变得可行。 然后，我们给出详细的理论分析以解释如何获得更好的性能。 实验结果表明，

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：767kb
    • 提供者：weixin_38625559

  1. 致使无标签数据永不受伤

  2. 通常期望通过利用未标记的数据可以提高学习性能，尤其是在标记的数据数量有限的情况下。 但是，据报道，在某些情况下，现有的半监督学习方法的效果甚至比仅使用标记数据的监督学习方法还要差。 因此，希望开发出安全的半监督学习方法，当使用未标记的数据时，这种方法不会显着降低学习性能。 本文着重于提高半监督支持向量机（S3VM）的安全性。 首先，提出了S3VM-us方法。 它采用了保守的策略，并且仅使用未标记的实例，这些实例很有可能会有所帮助，同时避免使用高风险的实例。 这种方法可以提高安全性，但是使用未标记

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：640kb
    • 提供者：weixin_38683562

  1. 使用监督正交判别投影进行聚类的无监督维约化

  2. 通过结合监督正交判别投影（SODP）和K-均值聚类集成，提出了一种新的无监督降维聚类方法，即SODP-KSCE。 以迭代方式操作的新颖算法可自适应地优化聚类结果，并学习具有最佳间隔的子空间。 为了提高K均值的稳定性，SODP-KSCE采用了集成学习。 此外，引入了负熵增量（NI）指数来衡量聚类性能。 在低维子空间中执行K均值聚类集成算法，生成未标记数据的伪类标签，然后将其用于指导原始空间中SODP的降维过程。 在多个数据集上的实验结果表明了SODPKSCE的有效性。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：197kb
    • 提供者：weixin_38591291

  1. 用于半监督高光谱图像分类的有区别的像素对对约束引导极限学习机

  2. 通常，传统的半监督极限学习机（S2-ELM）方法无法充分利用高光谱图像（HSI）分类中的有限标签信息。 在本文中，我们提出了一种判别式S2-ELM方法，称为像素对约束S2-ELM（P2S2-ELM）方法。 利用无标记数据的流形正则化和标记像素之间的像素对约束都被合并到一个统一的最小化框架中，因此，所提出的P2S2-ELM方法能够学习到更有效和更具判别性的投影。 当只有少量标记的样本可用时，在几个真实的高光谱数据集上的实验结果显示出其效率和优越性。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：302kb
    • 提供者：weixin_38557370

  1. peax：Peax是一种基于自动编码器的无监督表示学习的交互式视觉模式搜索和探索表观基因组数据的工具-源码

  2. 皮克斯 使用无监督的深度表示学习的表观基因组数据的可视模式浏览器 表观基因组数据表达了丰富多样的模式，可帮助识别调控元件，如启动子，增强子等。但是，要在全基因组范围内可靠地找到这些模式是一项挑战。 Peax是一种基于卷积自动编码器的无监督表示学习，用于交互式视觉模式搜索和表观基因组模式探索的工具。 视觉搜索由手动标记的基因组区域驱动，用于主动学习分类器以反映您的兴趣概念。 引用： Lekschas等， ，计算机图形学论坛，2020，doi： 。 更多详细信息： 安装 要求： >

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：13mb
    • 提供者：weixin_42116681

  1. uda：无监督数据增强（UDA）-源码

  2. 无监督数据增强 总览 无监督数据增强或UDA是一种半监督学习方法，可在各种语言和视觉任务上实现最新的结果。 仅用20个标记的示例，UDA优于以前在25,000个标记的示例上训练的IMDb的最新技术。 模型 带标签的示例数 错误率 混合增值税（以前的SOTA） 25,000 4.32 伯特 25,000 4.51 UDA 20 4.20 使用CIFAR-10（带有4,000个标记的示例）和SVHN（带有1,000个带标记的示例），可将最新方法的错误率降低30％以上： 模型 C

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：323kb
    • 提供者：weixin_42117082

  1. 基于自适应快速决策树的不确定数据流概念漂移分类算法

  2. 由于不确定数据流中一般隐藏着概念漂移问题, 对其进行有效分类存在着很多困难. 为此, 提出一种基于自适应快速决策树的算法. 该算法基于一般决策树算法的原理, 以自适应学习规则计算信息增益, 以无标记情景学习拆分原理检测不确定数据流中的不确定数值属性, 通过自适应快速决策树节点的拆分方法将不确定数值属性转化为不确定分类属性, 以实现对不确定数据流的有效分类, 进而有效检测到其中隐含的概念漂移现象. 仿真结果验证了所提出方法的可靠性.

  3. 所属分类：其它

    • 发布日期：2021-01-13
    • 文件大小：231kb
    • 提供者：weixin_38698403
« 12 3 4 5 6 7 8 »