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. 一份关于机器学习“模型再训练”的终极指南.doc

  2. 机器学习模型的训练，通常是通过学习某一组输入特征与输出目标之间的映射来进行的。一般来说，对于映射的学习是通过优化某些成本函数，来使预测的误差最小化。

  3. 所属分类：机器学习

    • 发布日期：2020-04-09
    • 文件大小：25kb
    • 提供者：willfen9192

  1. 机器学习算法优化.zip

  2. 仅用于个人学习交流，禁止另作他用！！！ 随机梯度算法的理论分析，包括简单随机抽样、小批量样本随机抽样的理论，从模型假设开始，逐步推导，包括李普希兹连续、偏差，方差分析

  3. 所属分类：机器学习

    • 发布日期：2020-03-22
    • 文件大小：11mb
    • 提供者：qq_33997826

  1. 机器学习模型部署在Flask的Web平台上demo：SpamPredictionWeb.zip

  2. 让想要将自己开发的机器学习模型，应用Flask（web轻量级框架）在网页进行简单部署。但是存在问题：每次预测都要加载一次模型，对于简单的模型还好，但是当模型很大时，预测会很耗时。而且预测后的结果不能存入数据库，进而对模型进行优化。 （下面代码我修改了部分，使css可以显示样式。运行代码即可执行，但是需要确认电脑有装Python、Pycharm等，会用Pycharm添加模块、包）

  3. 所属分类：机器学习

    • 发布日期：2020-02-29
    • 文件大小：76mb
    • 提供者：qq_37486501

  1. 基于机器学习的优化股票多因子模型

  2. 基于机器学习的优化股票多因子模型，唐思佳，熊昕，本文旨在构建机器学习优化股票多因子模型，用以处理A股市场风格切换和选股问题来最终获得超额收益。分别从因子表达，机器学习算�

  3. 所属分类：其它

    • 发布日期：2020-01-31
    • 文件大小：449kb
    • 提供者：weixin_38656400

  1. 1 新技术篇-机器学习概述.pdf

  2. 机器学习在中国,随着人们物质基础得提升,寿命的增长以及环境的影响,癌症每年正以...以及正在被应用于癌症研究的新技术、新方法,什么是机器学习? 不同的定义: “机器学习是一门人工智能的科学,主 要研究对象是人工智能,特别是如何在 raining Data 经验学习中改善具体算法的性能。” “机器学习是对能通过经验自动改进的 计算机算法的研究。” Random Tuning 机器学习是使用数据或以往的经验 Learning Algorithm 以此优化计算机程序的性能标准 ◇总结如下: 人工智能的

  3. 所属分类：机器学习

    • 发布日期：2019-07-06
    • 文件大小：607kb
    • 提供者：u010461615

  1. 模型优化基础（来自Sayak Paul讲解）

  2. 模型优化基础，来自Sayak Paul讲解的模型优化基础，共包含67页PPT，值得相关研究人员一起来学习。

  3. 所属分类：机器学习

    • 发布日期：2020-06-09
    • 文件大小：1mb
    • 提供者：syp_net

  1. 《机器学习模型思考》系列：线性回归模型的基本假设

  2. /关注 长歌大腿 公众号，发送“机器学习”关键字，可获取包含机器学习（包含深度学习)，统计概率，优化算法等系列文本与视频经典资料，如《ESL》《PRML》《MLAPP》等。/ 文章来源《机器学习模型思考》系列：线性回归模型的基本假设 . 线性模型是众多模型的基准，是更大范围的广义线性模型如支持向量机SVM，逻辑回归等模型的基模型，是经常使用的非常重要的数学方法。但是大多数机器学习或者数学建模的书籍中都没有讲述该模型的适用条件，任何模型在应用时都有其适用范围，作为最广泛的线性模型也不例外。以下为线

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：48kb
    • 提供者：weixin_38546459

  1. ML-Online-Near-real-time-Serving:[WIP]补充了《机器学习工程银河系漫游指南》，涵盖了几乎实时提供ML在线服务-源码

  2. 在线服务（近实时） 在线推理绝对比批处理推理更具挑战性。 为什么？ 由于我们系统上的延迟限制。 在线推论是关于以低延迟对最终用户的请求做出响应。 优化的内容：延迟 最终用户：通常与可通过API直接获得的模型进行交互 验证：通过A / B测试离线和在线 高级研讨会：Azure在线服务（近实时） 这个工作坊是WIP 它将涵盖使用Python运行时将机器学习模型部署到Azure Functions的实际用例及其故障排除。 附加功能 要了解有关MLOps和在线服务的更多信息，请执行以下操作：

  3. 所属分类：其它

  1. machine_learning_projects::robot:机器学习项目-源码

  2. 机器学习项目 该存储库包含我在第一周完成的数据科学项目。 这些项目涵盖数据分析和可视化，功能工程，不同机器学习模型（随机森林，线性回归，决策树，朴素贝叶斯，ARIMA）的应用，超参数优化和正则化，自然语言处理和时间序列分析。 Gapminder-可视数据分析 数据： 目标：创建动画散点图 描述性统计，使用Matplotlib和Seaborn进行绘图 泰坦尼克号-分类项目 数据： 目标：应用机器学习模型预测泰坦尼克号上的乘客生存 探索泰坦尼克号数据集并建立基线模型 训练逻辑回归和随机森林分类

  3. 所属分类：其它

  1. Machine-Learning-Challenge:创建能够对原始数据集中的候选系外行星进行分类的机器学习模型-源码

  2. 机器学习挑战 在深空太空中使用了九年，NASA开普勒太空望远镜一直在执行寻星任务，以发现我们太阳系之外的隐藏行星。 为了帮助处理这些数据，您将创建机器学习模型，该模型能够对原始数据集中的候选系外行星进行分类。 文件索引 随附以下文件： ：具有KNN分类器的模型1 ：具有Logistic回归的模型2 ：具有随机森林的模型3 ：转储的经过训练的模型文件 GridSearch用于优化模型参数 对于KNN模型： param_grid = { "n_neighbors" : r

  3. 所属分类：其它

  1. RDFframes:python API，用于以方便的格式（例如Pandas数据框）公开和处理来自sparql端点的RDF数据，用于数据挖掘和机器学习模型-源码

  2. 一个Python库，使数据科学家可以使用熟悉的过程Python抽象从以编码的知识图中提取数据，转换成熟悉的表格格式。 RDFframes为熟悉PyData（Python for Data）生态系统但不是专家的用户提供了易于使用，高效且可扩展的API。 API调用在内部转换为优化的SPARQL查询，然后在本地RDF引擎或远程SPARQL端点上执行。 结果以表格格式返回，例如pandas数据框。 通过pip安装 您可以使用以下方法通过pip直接安装该库： $ pip install RDFfram

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：134kb
    • 提供者：weixin_42128141

  1. machine-learning-with-cnn:高中机器学习CNN项目（2020）-源码

  2. 使用CNN进行机器学习 Python中的机器学习项目。 该项目包括培训和测试GUI。 该项目的目的是（英语）字符识别。 内容 培训GUI 培训GUI 这个简单的GUI允许用户无需输入任何代码即可建立机器学习模型。 程序的结构使它易于扩展，也就是说，在程序中添加更多的层，优化器等并不是一件容易的事。 假设这些图像已经在测试/训练文件夹中排序，则该训练程序当前仅允许将图像用作训练数据。 尚待编写进一步的文档，但是一般而言，该程序易于使用，并且提供了大量功能。 如何使用程序 选择数据 该程序的用法很

  3. 所属分类：其它

  1. optiml：优化器用于与sklearn兼容的机器学习模型-源码

  2. OptiML OptiML是支持向量机和深度神经网络的sklearn兼容实现，根据最新技术，它们都有一些最成功的功能。 这项工作的动机是，有可能通过广泛的优化算法研究对象解决这些模型的数学公式所产生的优化问题，并为“数值方法和优化”课程开发在教授的监督下。 内容 数值优化 无约束优化 线搜索方法 零阶方法 次梯度 一阶方法 最陡的梯度下降 共轭梯度 弗莱彻-里夫斯公式 Polak–Ribière公式 Hestenes-Stiefel公式 代formula公式 重球渐变 二阶方

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：19mb
    • 提供者：weixin_42138780

  1. SharpLearning：用于C＃.Net的机器学习-源码

  2. 夏普学习 SharpLearning是C＃.Net的开源机器学习库。 SharpLearning的目标是使.Net开发人员可以轻松访问机器学习算法和模型。 当前，主要关注点是用于分类和回归的监督学习，同时还提供用于优化和验证训练模型的必要工具。 SharpLearning为机器学习算法提供了一个简单的高级界面。 在SharpLearning中，机器学习算法称为“学习者” ，而机器学习模型则称为PredictorModel 。 用法示例如下： // Create a random fores

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：857kb
    • 提供者：weixin_42122340

  1. ML-From-Scratch：从头开始学习机器。 机器学习模型和算法的裸露NumPy实现重点在于可访问性。 旨在涵盖从线性回归到深度学习的所有内容-源码

  2. 从零开始的机器学习 关于 从头开始一些基本机器学习模型和算法的Python实现。 该项目的目的不是要产生尽可能优化和计算高效的算法，而是以透明和可访问的方式展示它们的内部工作原理。 目录 安装 $ git clone https://github.com/eriklindernoren/ML-From-Scratch $ cd ML-From-Scratch $ python setup.py install 例子 多项式回归 $ python mlfromscratch/examples/p

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：107kb
    • 提供者：weixin_42128270

  1. 蜂鸟：蜂鸟将训练有素的机器学习模型编译为张量计算，以加快推理速度-源码

  2. 蜂鸟 介绍 Hummingbird是一个用于将经过训练的传统ML模型编译为张量计算的库。 Hummingbird允许用户无缝利用神经网络框架（例如 ）来加速传统的ML模型。 多亏了Hummingbird ，用户可以受益于：（1）在神经网络框架中实现的所有当前和将来的优化； （2）本机硬件加速； （3）具有支持传统模型和神经网络模型的独特平台； 并拥有所有这些（4），而无需重新设计其模型。 当前，您可以使用Hummingbird将训练有素的传统ML模型转换为 ， ， 和 ）。 蜂鸟各种ML模型

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：577kb
    • 提供者：weixin_42159267

  1. 隐私：用于训练机器学习模型的库，具有用于训练数据的隐私-源码

  2. TensorFlow隐私 该存储库包含TensorFlow Privacy的源代码，这是一个Python库，其中包含TensorFlow优化器的实现，用于训练具有差异性隐私的机器学习模型。 该库随附用于计算提供的隐私保证的教程和分析工具。 TensorFlow隐私库正在不断开发中，始终欢迎您的贡献。 特别是，我们始终欢迎为解决当前存在的问题提供帮助。 最新更新 2020-12-21：现已提供新，可提供更快的性能。 我们建议您先尝试一下，然后再尝试使用原始的非矢量化版本，否则会失败。 我们感谢的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：727kb
    • 提供者：weixin_42127937

  1. AIF360：针对数据集和机器学习模型的一套全面的公平性指标，这些指标的解释以及减轻数据集和模型中偏差的算法-源码

  2. AI Fairness 360（AIF360） AI Fairness 360工具包是一种可扩展的开放源代码库，包含由研究社区开发的技术，可帮助检测和减轻整个AI应用程序生命周期中机器学习模型的偏差。 AI Fairness 360软件包在Python和R中均可用。 AI Fairness 360软件包包括 用于数据集和模型以测试偏差的全面指标， 这些指标的说明，以及 减轻数据集和模型偏差的算法。 它旨在将实验室的算法研究转化为金融，人力资本管理，医疗保健和教育等广泛领域的实际实践。 我们

  3. 所属分类：其它

  1. DeployMachineLearningModels：此存储库包含在各种云服务（例如Azure，Heroku，AWS，GCP等）上部署机器学习模型-源码

  2. 机器学习模型的部署 想象您建立了一个优化模型，并获得了x％的精度。 您停止流程，继续下一个模型。 但是在实际案例中，将模型带入生产和共享业务见解很重要。 不知道如何部署？ 不用担心。 此仓库包含在各种云服务（例如Azure，Heroku，AWS，GCP等）上部署机器学习模型。 让我们开始吧 数据科学家在jupyter实验室，google colab等中构建机器学习模型，机器学习工程师将构建的模型投入生产。 ML模型的部署仅意味着将模型集成到现有的生产环境中，该环境可以接受输入并返回可用于制

  3. 所属分类：其它

  1. 数字金融时代机器学习模型在实时反欺诈中的应用与实践

  2. 近年来，数字金融蓬勃发展，金融科技日趋成熟，信息技术的发展对社会产生巨大积极作用的同时也带来了新型风险，网络黑产呈爆发式增长，电信网络诈骗给人民群众造成了巨大的财产损失。在数字金融时代，商业银行既迎来了新的机遇与动力，又面临着新的挑战和数字化变革的要求，线上金融业务已经成为新的主战场。在此背景下，基于 RFM 高维衍生特征和对机器学习算法的研究，构建了基于高维交易行为画像的事中反欺诈机器学习模型。依托大数据、流计算等技术，通过在系统化部署、应用策略以及模型迭代优化等环节的实践，形成了一套基于机器

  3. 所属分类：其它

« 12 3 4 5 6 7 8 9 10 ... 18 »