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. PCA主成分分析Matlab仿真代码

  2. 线性降维主成分分析PCA的matlab图像压缩仿真代码，还包括了与奇异值分解进行对比的程序，基于matlab2018写的，可直接运行。

  3. 所属分类：机器学习

    • 发布日期：2020-03-17
    • 文件大小：2kb
    • 提供者：Louis___Zhang

  1. Data-Driven-Methods:数据驱动方法-源码

  2. Amath-482-ZachZlepper 数据驱动方法项目1-使用傅立叶变换和去噪技术找到潜水艇的路径项目2-使用Gabor变换识别歌曲《 Comfortly Numb and Sweet Child O'Mine》中的乐器项目3-使用PCA识别弹簧的运动质量系统项目4-使用线性判别分析对MNIST数据进行分类项目5-动态模式分解以将视频中的前景与背景分开

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：12mb
    • 提供者：weixin_42139357

  1. Math599_solution:Math599讲义的解决方案-源码

  2. Math599_solution Math599讲义的解决方案 01-矩阵-一些数字由陈泯儒，陈姿霖，赖昀，林靖恩，杨宗锜 02-矩阵-某些行向量通过高英培，徐浩云，林良埄，罗祖佑，颜廷维 03-矩阵-某些列向量由周柏呈，李子陵，刘彦均，黄龄谊，魏齐 04-矩阵-某些动作 05-解决斧头= -0 通过张辰瑜，张君玮，陈柏勋，吕淳泓，苏禹丞 06-解决斧-=-b 07-投影 08-正交基础 ，朱立民，施怡安，林其璜，颜廷维的2021S 09-光谱分解 向量的10种基础变更 11矩阵基础的更

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：603kb
    • 提供者：weixin_42128315

  1. Class-Project:一个包含数据科学本科专业课作业的项目文件夹:candy:包括计算机网络，操作系统，计算机系统，统计，算法，神经网络，数据科学数学基础，PHP网站，导论（情感分析）-源码

  2. 课堂项目 一个包含数据科学本科专业课作业的项目文件夹目前包括的课程有 一，操作系统 （四个项目） 【一个简易的shell＆三个修改minix实现内存管理和I / O子系统（ram盘管理）＆chrt调用的相关修改】 二，计算机网络 （Java多线程＆Java RPI＆最终项目） 三，专业英语 （1.蘑菇二分类BP神经网络（训练30次准确率达到100％） （2.基于PHP的小型网址文件夹（支持增删改查等基本操作）） 四，概率论 卷积图像平滑模拟poker计算同花顺概率等 五，数据科学的数学基础 课程

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：58mb
    • 提供者：weixin_42125770

  1. 可扩展语言：COM6012可扩展机器学习-谢菲尔德大学-源码

  2. COM6012可扩展机器学习-谢菲尔德大学 2021年Spring，（1-5）和（6-10） 在，我们将学习如何使用大规模的机器学习。 我们将使用我们大学的。 您必须使用连接到HPC。 该版本使用的 （2020年9月2日），并且在下面进行了10节。 您可以参考以获取更多信息，例如时间表和评估信息。 第一场：Spark和HPC简介 第2节：RDD，DataFrame，ML管道和并行化 专题三：可扩展的矩阵分解，用于推荐系统中的协同过滤 第四节：可扩展的k-means聚类和Spark配置 主题

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：47mb
    • 提供者：weixin_42148053

  1. PCA分解-源码

  2. PCA分解 对一组数据执行Z分数转换使用最小-最大归一化对其进行归一化对数据执行PCA并使用Binning对其进行离散化

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：23kb
    • 提供者：weixin_42122306

  1. PCA-主成分分析-：主成分分析（PCA）是迄今为止最流行的降维算法。 首先，它确定最靠近数据的超平面，然后将数据投影到其上-源码

  2. PCA主成分分析 到目前为止，主成分分析（PCA）是最流行的降维算法。 首先，它确定最靠近数据的超平面，然后将数据投影到其上。 PCA用于分解一组解释最大方差的连续正交分量中的多元数据集。 在scikit-learn中，PCA被实现为一个转换对象，该对象以其fit方法学习n个组件，并可用于新数据以将其投影到这些组件上。 如果由于输入维数太大而使学习算法太慢，那么使用PCA加快速度可能是一个合理的选择。 这可能是PCA的最常见应用。 #PCA的另一个常见应用是数据可视化。 在代码的这一部分

  3. 所属分类：其它