您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. SVM的相关文献及应用

  2. SVM的相关知识以及应用,有关介绍,具体数学公式和推导过程
  3. 所属分类:专业指导

    • 发布日期:2009-12-03
    • 文件大小:243kb
    • 提供者:FIEforever
  1. SVM介绍 推导 总结

  2. SVM总结 自己总结的 包含介绍,以及详细的推导过程 清晰易懂
  3. 所属分类:专业指导

    • 发布日期:2010-04-23
    • 文件大小:344kb
    • 提供者:kay_hao
  1. 语音识别技术文章.rar

  2. 第一部分 基本理论 第2章 听觉机理和汉语语音基础 2. 1 概述 2.2 听觉机理和心理 2.2.1 语音听觉器官的生理结构 2.2.2 语音听觉的心理 2.3 发音的生理机构与过程 2.4 汉语语音基本特性 2.4. 1 元音和辅音 2.4.2 声母和韵母 2.4.3 音调(字调) 2.4.4 音节(字)构成 2.4.5 汉语的波形特征 2.4.6 音的频谱特性 2.4.7 辅音的频谱特性 2.4.8 汉语语音的韵律特征 2.5 小结 参考文献 第3章 语音信号处理方法--时域处理 3.1
  3. 所属分类:其它

    • 发布日期:2011-05-12
    • 文件大小:5mb
    • 提供者:wangjunhui1984
  1. 支持向量机

  2. 详细讲述支持向量机,包括线性、非线性、核函数等知识,以及推导过程。
  3. 所属分类:专业指导

    • 发布日期:2014-09-30
    • 文件大小:455kb
    • 提供者:u011421499
  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica
  3. 所属分类:专业指导

    • 发布日期:2016-01-05
    • 文件大小:220kb
    • 提供者:huangyueranbbc
  1. MachineLearning-master-python.zip

  2. 属于网络下载资源,感谢原作者的贡献。 ##目录介绍 - **DeepLearning Tutorials** 这个文件夹下包含一些深度学习算法的实现代码,以及具体的应用实例,包含: Keras使用进阶。介绍了怎么保存训练好的CNN模型,怎么将CNN用作特征提取,怎么可视化卷积图。 [keras_usage]介绍了一个简单易用的深度学习框架keras,用经典的Mnist分类问题对该框架的使用进行说明,训练一个CNN,总共不超过30行代码。 将卷积神经网络CNN应用于人脸识别的一个demo,人脸数
  3. 所属分类:专业指导

    • 发布日期:2016-07-04
    • 文件大小:1mb
    • 提供者:qq_33042687
  1. 支持向量机和支持向量回归

  2. 根据《Pattern Recognition and Machine Learning》这本书的第7章(稀疏核机)的7.1节,介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机,以及支持向量回归。详细介绍了公式的推导过程,以及SMO算法。
  3. 所属分类:讲义

    • 发布日期:2016-11-24
    • 文件大小:719kb
    • 提供者:qqzj_bupt
  1. 支持向量机SVM详解

  2. 详细的介绍了SVM分类算法,从数学推导过程到代买实现,文档内容均来自csdn博客整理
  3. 所属分类:机器学习

    • 发布日期:2017-10-10
    • 文件大小:2mb
    • 提供者:u011730199
  1. SVM之拉格朗日乘子法对偶的推导

  2. 这是手工推导的SVM的推导过程,其中对拉格朗日乘子的对偶问题做了详细的推导
  3. 所属分类:讲义

    • 发布日期:2017-11-14
    • 文件大小:868kb
    • 提供者:u013962307
  1. SVM推导过程

  2. 线性可分支持向量机 线性支持向量机 数据近似线性可分 非线性支持向量机 数据线性不可分
  3. 所属分类:机器学习

    • 发布日期:2018-03-26
    • 文件大小:724kb
    • 提供者:gcr1218
  1. KTT条件推到与SVM

  2. 基于大学本科数学基础,从简单讲解KTT条件的推导过程,以及SVM建模和求解
  3. 所属分类:机器学习

    • 发布日期:2018-04-11
    • 文件大小:1mb
    • 提供者:liuyuqic
  1. 支持向量机(SVM)推导过程

  2. 自己总结的支持向量机推导过程,用树形图的形式展现,通俗易懂。
  3. 所属分类:机器学习

    • 发布日期:2018-05-28
    • 文件大小:510kb
    • 提供者:qq_34600588
  1. SVM(支持向量机)PPT

  2. 自己分享SVM总结的一个PPT,介绍到硬间隔,有大概的推导过程,可以简单的了解
  3. 所属分类:机器学习

    • 发布日期:2018-06-14
    • 文件大小:595kb
    • 提供者:lidongxx
  1. 用一张图理解SVM的脉络

  2. 在各种机器学习算法中,SVM是对数学要求较高的一种,一直以来不易被初学者掌握。如果能把握住推导的整体思路,则能降低理解的难度,在本文中SIGAI将通过一张图来为大家讲述SVM的整个推导过程。
  3. 所属分类:机器学习

    • 发布日期:2018-06-26
    • 文件大小:858kb
    • 提供者:sigai_csdn
  1. 详细介绍 SVM

  2. 翻出以前研究生的时候做过一个介绍 SVM 的PPT分析,拿出来给发布赚些积分。该文档详细介绍了 SVM 的推导过程、原理以及应用。SVM 虽然有些过时,但可以作为新手入门学习的内容。PPT 没有任何版权,里面的图也是盗用别人的,拿去随便用。文档中如有任何侵权,请联系我。
  3. 所属分类:机器学习

    • 发布日期:2018-10-28
    • 文件大小:1mb
    • 提供者:sd517
  1. 从零推导支持向量机(SVM)

  2. 支持向量机 (SVM) 是一个非常经典且高效的 分类模型. 但是, 支持向量机中涉及许多复杂 的数学推导, 并需要比较强的凸优化基础, 使 得有些初学者虽下大量时间和精力研读, 但仍 一头雾水, 最终对其望而却步. 本文旨在从零 构建支持向量机, 涵盖从思想到形式化, 再简 化, 最后实现的完整过程, 并展现其完整思想 脉络和所有公式推导细节. 本文力图做到逻辑 清晰而删繁就简, 避免引入不必要的概念, 记 号等. 此外, 本文并不需要读者有凸优化的基 础, 以减轻读者的负担. 对于用到的优化技
  3. 所属分类:机器学习

    • 发布日期:2018-12-26
    • 文件大小:502kb
    • 提供者:xuezu29
  1. SVM公式推导线性可分情况.jpeg

  2. 简述线性可分svm的算法过程,首先点到超平面的距离公式,要求支持向量到超平面距离最大.....
  3. 所属分类:机器学习

    • 发布日期:2019-08-28
    • 文件大小:198kb
    • 提供者:s15371867791
  1. SVM推导过程.pptx

  2. SVM支持向量机(support vector machines, SVM)是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;SVM还包括核技巧,SVM的的学习算法就是求解凸二次规划的最优化算法。
  3. 所属分类:机器学习

    • 发布日期:2020-05-21
    • 文件大小:506kb
    • 提供者:jiangyunfan16
  1. SVM算法详细推导.pptx

  2. 本文档包含SVM的详细推导过程和一些别的资料没有记载的理解。非常适合入门和想具体理解一些细微处的同学。
  3. 所属分类:机器学习

    • 发布日期:2020-04-09
    • 文件大小:909kb
    • 提供者:qq_41703202
  1. SVM的学习.txt

  2. SVM学习过程中看到的有用的网站 SVM学习过程中看到的有用的网站 SVM学习过程中看到的有用的网站 可能对你们有用,分享一下,这里面有SVM过程推导的连接,比较详细。还有几个网站是关于python和matlab的程序,其中有一个数据不是很全,但程序参考以下还是可以的。
  3. 所属分类:机器学习

    • 发布日期:2020-03-07
    • 文件大小:2kb
    • 提供者:zhenguiqin
« 12 »