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. 认识机器学习培训

  2. 机器学习的应用 机器学习定义 机器学习的几个基本概念 有监督学习、无监督学习、回归、分类 机器学习具体算法概述 有监督学习算法 无监督学习算法 总结和讨论

  3. 所属分类：其它

    • 发布日期：2014-05-17
    • 文件大小：4mb
    • 提供者：u013208058

  1. JAVA 本程序所实现的功能为对数据进行无监督的学习，即聚类算法

  2. JAVA 本程序所实现的功能为对数据进行无监督的学习，即聚类算法

  3. 所属分类：其它

    • 发布日期：2009-04-11
    • 文件大小：7kb
    • 提供者：a1965104943

  1. 无监督学习方法以及应用

  2. 无监督学习是机器学习的一个重要分支，其在机器学习、数据挖掘、生物医学大数据分析、数据科学等领域有着重要地位。本书阐述作者近年在无监督学习领域所取得的主要研究成果，包括次胜者受罚竞争学习算法、K-means学习算法、K-medoids学习算法、密度学习算法、谱图聚类算法；*后介绍了无监督学习在基因选择、疾病诊断中的应用。

  3. 所属分类：机器学习

    • 发布日期：2018-06-03
    • 文件大小：86mb
    • 提供者：qq_33268231

  1. 机器学习简介——监督学习、无监督学习

  2. 机器学习入门的可以看一看，作者呕心沥血整理的资源，学习的可以看一看，里面包括机器学习历年来的发展，机器学习的分支，传统机器学习算法和无监督学习，监督学习和强化学习相关定义等等

  3. 所属分类：机器学习

  1. zero-ml:使用Python和NumPy从零开始实现的机器学习算法-源码

  2. 零毫升 使用Python和NumPy从零开始实现的机器学习算法。 机器学习算法列表 到目前为止，已实现以下机器学习算法。 监督学习 分类 回归 无监督学习 待定。 强化学习 待定。

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：285kb
    • 提供者：weixin_42156940

  1. 无监督学习--K-means聚类算法学习-附件资源

  2. 无监督学习--K-means聚类算法学习-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-05
    • 文件大小：106byte
    • 提供者：weixin_42183453

  1. 机器学习（二十）无监督学习-K-means算法-附件资源

  2. 机器学习（二十）无监督学习-K-means算法-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-05
    • 文件大小：106byte
    • 提供者：weixin_42193786

  1. 隐马尔科夫模型(HMM)的无监督学习算法java实现（baum-welch迭代求解），包括串行以及并行实现-附件资源

  2. 隐马尔科夫模型(HMM)的无监督学习算法java实现（baum-welch迭代求解），包括串行以及并行实现-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-05
    • 文件大小：106byte
    • 提供者：weixin_42189611

  1. 无监督学习--K-means聚类算法学习-附件资源

  2. 无监督学习--K-means聚类算法学习-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-02
    • 文件大小：23byte
    • 提供者：weixin_42186579

  1. 机器学习（二十）无监督学习-K-means算法-附件资源

  2. 机器学习（二十）无监督学习-K-means算法-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-02
    • 文件大小：23byte
    • 提供者：weixin_42202078

  1. 隐马尔科夫模型(HMM)的无监督学习算法java实现（baum-welch迭代求解），包括串行以及并行实现-附件资源

  2. 隐马尔科夫模型(HMM)的无监督学习算法java实现（baum-welch迭代求解），包括串行以及并行实现-附件资源

  3. 所属分类：互联网

    • 发布日期：2021-03-02
    • 文件大小：23byte
    • 提供者：weixin_42196279

  1. language_on_a_holiday：无监督学习，将NLP技术应用于哲学文本-源码

  2. 假日语言 无监督机器学习，将NLP技术应用于哲学文本。 该项目研究了自然语言处理中不受干扰的机器学习模型的可能性，以发现算法方法来区分哲学写作风格和定位具有某些适合推荐系统的质量的文本段落。 仅准备PowerPoint和PDF。 这些文件称为： langauge_on_a_holiday.pptx langauge_on_a_holiday.pdf

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：127mb
    • 提供者：weixin_42116681

  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. 无监督学习：使用不同的降维算法运行聚类算法并比较性能-源码

  2. 无监督学习 概述 该存储库运行集群和降维技术。 运行的两种聚类算法是K均值和期望最大化。 运行的4维降维算法是主成分分析（PCA），独立成分分析（ICA），随机投影（RP）和递归特征消除（RFE）。 该存储库运行以下内容并捕获性能： 运行两种聚类算法 运行降维，然后进行聚类算法 降维和聚类算法的神经网络 数据集是来自UCI机器学习存储库的Adult和Wine数据集。 运行步骤 需要Python 3.6 从requirements.txt安装以下要求 使用python 3运行以下文件以创建数据

  3. 所属分类：其它

  1. 随机和或语法的无监督学习：实现一种算法，以学习随机和或语法的结构和参数-源码

  2. 语法和语法的无监督学习 实现一种算法，以学习随机“与”或“语法”的结构和参数。 这是在STATS 232B中的一个班级项目中完成的：“视觉计算与认知的统计计算和推理”。 论文可在。

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：99kb
    • 提供者：weixin_42160278

  1. 无监督学习：五个不同聚类算法之间的比较-源码

  2. 无监督学习 五个不同聚类算法之间的比较 有关报告和结果的信息，请阅读“无监督学习的中期工作.pdf”文件

  3. 所属分类：其它

  1. 无监督学习：基于质心的聚类算法，即K-Means聚类，聚集聚类和基于密度的空间聚类-源码

  2. 无监督学习 基于质心的聚类算法即K-Means聚类，聚集聚类和基于密度的空间聚类实现。 要求 Python 3.6及更高版本 科学工具学习 麻木 科学的 matplotlib 信息 通过智能融合完成的K-Means聚类可以加快处理速度，并多次运行以获得最佳结果。 有很多参数可供使用，也有可视化部分。 聚集聚类是分层聚类（自下而上，分组）的一种，它比分裂聚类更受欢迎。 使用距离矩阵可以导出数据的树状图，可以更改和测试用于计算距离矩阵的标准（单个，平均，完整和质心链接）。 具有噪声的基于密度的空

  3. 所属分类：其它

  1. ml-algorithms-scikit-and-keras：Scikit-learn和Keras上机器学习算法的实现脚本，适合新手使用。-源码

  2. 使用Scikit的机器学习算法学习和学习 该存储库包含在Scikit-Learn中实现的各种机器学习算法。 在Scikit-Learn和Keras中实现了有监督，无监督，简单强化学习，自然语言处理中的情感分析，有监督的简单深度学习算法，降维，装袋，增强等机器学习算法。 Numpy，Pandas，Matplotlib教程笔记本文件中的Pdf及其实现。 监督学习算法 回归算法 线性回归 多元线性回归 多项式回归 支持向量机 决策树 随机森林 使用正则化评估回归模型 分类算法 逻辑回归 K最近邻居

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：27mb
    • 提供者：weixin_42138788

  1. 无监督学习之PCA降维

  2. 无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：159kb
    • 提供者：weixin_38500090

  1. 无监督学习PCA降维处理和K-means聚类

  2. 1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：152kb
    • 提供者：weixin_38696336
« 12 3 4 5 6 7 8 9 10 ... 15 »