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. 极限学习机的代码

  2. 这是一个机器学习新算法-极限学习机的代码，里面有几个小例子，由南洋理工大学黄广斌教授边写

  3. 所属分类：其它

    • 发布日期：2012-02-26
    • 文件大小：114kb
    • 提供者：long9829

  1. 极限编程(XP)篇

  2. 极限编程(XP)篇 极端编程(eXtreme Programming)是一种开发纪律，以简单性、交流、反馈和勇气为基本宗旨。它的做法是以有效的实践规则将整个团队紧密联系起来，通过充分的反馈使团队能随时知道自己目前的状况和恰当的调节规则以适应自己的特殊情况。 在极端编程中，每一个项目贡献者都是“团队”完整的一部分。这个队伍是围绕着一个每天和队伍坐在一起共同工作的商业代表——“客户”建立起来的。 核心实践：整体团队 极端编程的队伍采用一种简单的方式来进行规划和跟踪，以决定下一步要做什么和预知项目什

  3. 所属分类：Java

    • 发布日期：2013-03-07
    • 文件大小：835kb
    • 提供者：haigenwong

  1. ELM 极限学习机

  2. 极限学习机matlab源码及对应几篇重要文献，对学习人工智能的朋友很有价值！里面有matlab测试源代码和测试数据，非常好用，可用于分类和回归，速度很快。我用9030*1569的数据训练和测试12秒即有结果。

  3. 所属分类：其它

    • 发布日期：2013-07-24
    • 文件大小：2mb
    • 提供者：jason3040

  1. 极限学习机源代码

  2. 极限学习机的源代码，可以用于分类和机器学习，南洋理工大学大学黄广斌教授提出的。

  3. 所属分类：Java

    • 发布日期：2014-09-02
    • 文件大小：118kb
    • 提供者：bortlin

  1. 核极限学习机

  2. 核极限学习机 机器学习 高斯核 线性核 小波核

  3. 所属分类：其它

    • 发布日期：2015-12-28
    • 文件大小：2kb
    • 提供者：u012547503

  1. 概率与统计机器学习中常用的不等式机器证明

  2. 本文档介绍了统计机器学习领域常用的不等式及其证明过程。其中包括了Chernoff不等式，Markov不等式，Chebyshev不等式，Hoeffding不等式，大数定律，中心极限定律等

  3. 所属分类：讲义

    • 发布日期：2016-04-20
    • 文件大小：242kb
    • 提供者：superkingcw

  1. 极限学习机

  2. 简单易学的机器学习算法 极限学习机

  3. 所属分类：讲义

    • 发布日期：2016-05-06
    • 文件大小：565kb
    • 提供者：qq_25529463

  1. elm极限学习机

  2. 机器学习前馈神经网络分类算法

  3. 所属分类：其它

    • 发布日期：2017-05-19
    • 文件大小：3mb
    • 提供者：woshicsdn7547

  1. 极限学习机 代码

  2. 极限学习机是机器学习中一种必不可少的方法，是一种基础方法，我们只要学习机器学习，都必须要理解其内容，而这个文档用一个实例揭示了极限学习机的内涵。

  3. 所属分类：专业指导

    • 发布日期：2018-03-19
    • 文件大小：201kb
    • 提供者：zongmiepian3179

  1. 极限学习机工具箱

  2. 极限学习机的训练和测试，可用于模式识别，定量分析等计算。

  3. 所属分类：机器学习

    • 发布日期：2018-06-27
    • 文件大小：2kb
    • 提供者：u011727648

  1. 极限学习机

  2. 由于极限学习的故障诊断，可计算诊断时间，正确率等。

  3. 所属分类：机器学习

  1. 机器学习EM

  2. 机器学习，极限学习器，分类器，核函数，代码，预测，区分，

  3. 所属分类：机器学习

    • 发布日期：2018-02-05
    • 文件大小：3kb
    • 提供者：baidu_36115645

  1. 黄广斌-极限学习机讲义

  2. 极限学习机（Extreme Learning Machine, ELM）是一类基于前馈神经网络（feedforward neuron network）的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。

  3. 所属分类：讲义

    • 发布日期：2018-11-05
    • 文件大小：4mb
    • 提供者：u012583095

  1. 使用机器学习辅助喷射形状对希格斯玻色子进行双重迷惑识别

  2. 我们研究了使用QCD事件形状识别出增强的共振的可能性，该共振在不同背景下衰减成一个魅力对，该事件形状被提升为喷射形状。 使用一组喷射形状作为增强决策树的输入，我们发现与依赖两个独立的魅力标签的方法相比，利用同时存在两个魅力夸克的可观测对象可以访问互补信息。 着重于希格斯相关的产生以及随后的H→cc衰变和mA≤10GeV的CP奇数标量A，我们得到极限Br（H→cc′）≤6.48％和Br（H→A（→cc）） Z）在95％CL时≤0.01％

  3. 所属分类：其它

    • 发布日期：2020-04-04
    • 文件大小：904kb
    • 提供者：weixin_38669674

  1. 机器学及其matlab实现—从基础到实践.zip

  2. 第一课:MATLAB 入门基础 第三课:BP 神经网络 第四课:RBF、GRNN 和 PNN 神经网络 第五课:竞争神经网络与 SOM 神经网络 第六课:支持向量机(Support Vector Machine, SVM) 第七课:极限学习机(Extreme Learning Machine, ELM) 第八课:决策树与随机森林 第九课:遗传算法(Genetic Algorithm, GA) 第十课:粒子群优化(Particle Swarm Optimization, PSO)算

  3. 所属分类：机器学习

    • 发布日期：2020-03-11
    • 文件大小：34mb
    • 提供者：qq_37495989

  1. 贝叶斯，极大似然，中心极限，几个必须要懂的机器学习概率知识.pdf

  2. 机器学习方面的概率基础，要了解机器学习中概率学习的基础部分，明白每个概率公式背后的含义，有助于深度理解机器学习

  3. 所属分类：机器学习

    • 发布日期：2019-12-29
    • 文件大小：898kb
    • 提供者：zhangzhenyuancs

  1. 机器学习中的最优化算法总结

  2. 机器学习中的最优化算法总结下图给出了这些算法的分类与它们之间的关系: 接下来我们将按照这张图来展开进行讲解。 费马定理 对于一个可导函数,寻找其极值的统一做法是寻找导数为0的点,即费马定理。微积分中的 这一定理指出,对于可导函数,在极值点处导数必定为0: 对于多元函数,则是梯度为0 导数为0的点称为驻点。需要注意的是,导数为0只是函数取得极值的必要条件而不是充分条 件,它只是疑似极值点。是不是极值,是极大值还是极小值,还需要看更高阶导数。对于 元函数,假设x是驻点 如果 (x)>0,则在该

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：557kb
    • 提供者：abacaba

  1. 提高加权ELM以实现不平衡学习

  2. 用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：559kb
    • 提供者：weixin_38506182

  1. 保留全局局部性的最大方差极限学习机

  2. 极限学习机（ELM）是一种有用的机器学习技术。 但是，现有的极限学习机方法不能很好地利用几何结构信息或不能很好地区分数据空间信息。 因此，我们提出了一种基于流形学习的全局局部性最大方差极限学习机（GLELM）。 基于传统ELM方法的特征，GLELM将线性判别分析（LDA）和局部保存投影（LPP）的基本原理引入到ELM中，同时充分考虑了样本中包含的判别信息。 该方法可以保留数据的全局和局部流形结构，以优化分类器的投影方向。 在几个广泛使用的图像数据库和UCI数据集上进行的实验验证了GLELM的性能

  3. 所属分类：其它

  1. 实例克隆极限学习机

  2. 极限学习机（ELM）是一种流行的机器学习方法，可以灵活地模拟现实世界中分类应用程序之间的关系。 当面对数量较少的样本（即实例）的问题（即数据集）时，ELM通常会导致过拟合的麻烦。 在本文中，我们提出了一种新的实例克隆极限学习机（简称为IC-ELM），它可以处理许多不同的分类问题。 IC-ELM使用实例克隆方法来平衡输入数据的分布并扩展训练数据集，从而减轻了过度拟合的问题并提高了测试分类的准确性。 在20个UCI数据集上进行的实验和比较，以及在图像和文本分类应用程序上的验证表明，与原始ELM算法及

  3. 所属分类：其它

« 12 3 »