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. Metabarcoding_school_colombia：第9个metabarcoding学校-基于ML的生物监测-源码

  2. 基于ML的生物监测教程 ML教程，于2019年5月1-6日在哥伦比亚Villa de Leyva举行。 本教程的目的是分析元条形码数据（amplicon测序），以预测养鱼场对底栖生物多样性的环境影响。 为此，将大底栖动物种类的目视观察作为确定影响程度的“基础事实”，并将描述完整的真核生物群落的元条形码数据用作变量（或特征）。 本教程介绍了随机森林分类器的数据导入，操作，训练和交叉验证。 它还涵盖了用于减少数据维数和模型调整（超参数优化）的功能选择。 本教程完全用R完成。本教程的介绍幻灯片在

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：96468992
    • 提供者：weixin_42097819

  1. AcoustoVisualDE：一项将视觉和听觉数据整合到空间栖息地模型中的合作-源码

  2. 整合墨西哥深水湾鲸类动物丰富度和栖息地的视觉和声学数据 总结了斯克里普斯海洋学研究所和NOAA科学家的共同努力，他们利用视觉调查和被动声监测数据的联合学习，开发了海洋哺乳动物分布的时空预测。 这项工作是由美国国家科学院资助的。 可在此处获得最终报告： 物种特定模型： 居维叶喙鲸 抹香鲸 Kogia spp。 里索的海豚 上皮Stenellid海豚（ Stenella spp。 ）

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：72351744
    • 提供者：weixin_42128676

  1. SUIM：水下图像的语义分割：数据集和基准-源码

  2. 资料库（IROS 2020） • •• • • SUIM数据集 用于自然水下图像的语义分割 1525张带注释的图像用于训练/验证，110个样本用于测试 BW ：背景/水体• HD ：潜水员• PF ：水生植物和海草• WR ：残骸/废墟 RO ：机器人/仪器• RI ：礁石/无脊椎动物• FV ：鱼类和脊椎动物• SR ：海底/岩石 SUIM-Net模型 全卷积编码器-解码器网络 SUIM-Net（RSB）：简单轻巧的模型； 快速提供合理的性能 SUIM-Net（VGG）：提供更好的泛化性能 详

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：1048576
    • 提供者：weixin_42106299

  1. 复旦机器学习与深度学习.zip

  2. 深度学习资料集合：(1.1.1)--神经网络基础.pdf，(1.4.1)--银行客户流失预测.pdf，(2.1.1)--深度学习应用概况.pdf，(3.1.1)--卷积神经网络基础.pdf，(3.11.1)--卷积笔记.pdf，(4.1.1)--卷积神经网络算法.pdf，(4.7.1)--VGG动物识别.pdf，(5.1.1)--循环神经网络模型.pdf，(5.7.1)--股票预测.pdf，(6.1.1)--目标检测.pdf，(6.14.1)--任务检测.pdf，(7.1.1)--生成对抗网络.

  3. 所属分类：深度学习

    • 发布日期：2021-02-08
    • 文件大小：99614720
    • 提供者：weixin_43207204

  1. NAC-神经元自动分类：机器学习对神经元进行分类：开发用于对生物神经信号进行自动分类的工具-源码

  2. NAC 神经元自动分类 用于自动分类生物神经信号的工具。 目录 描述 几个研究小组使用共同的实验测量和参数收集了两个不同神经元群体的电生理数据。 该项目的目标是找到一种方法，以最佳的预测率对这些数据中的神经元进行自动分类。 该替代方案将具有诸如避免使用转基因动物的优点。 提供给每个神经元类别（1或2）的学生一个数据集。 理想情况下，可以设想使用Caret库和R软件但也可以使用Python语言和Scikit-Learn库来监督学习的方法。 可以考虑任何其他解决方案，并且可以与学生小组讨论。 用

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：110100480
    • 提供者：weixin_42171208

  1. 用通俗易懂的方式剖析随机森林

  2. 随机森林是现在比较流行的一个算法。对于回归和分类问题有很好的效果。大家有可能有过这样的经历，辛辛苦苦搭好神经网络，最后预测的准确率还不如随机森林。既然随机森林这么好用，那它的内在的机理到底是什么呢？接下来将会用通俗易懂的方式讲一讲随机森林。 1.什么是随机森林随机森林分解开来就是“随机”和“森林”。“随机”的含义我们之后讲，我们先说“森林”，森林是由很多棵树组成的，因此随机森林的结果是依赖于多棵决策树的结果，这是一种集成学习的思想。森林里新来了一只动物，森林举办森林大会，判断

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：178176
    • 提供者：weixin_38518638

  1. 边缘计算的架构、挑战与应用

  2. 边缘计算是一种在网络边缘执行计算任务的新型计算模型，相比于云计算模型，能够更加迅速、可靠和节能地响应用户需求。从云计算模型的不足出发，首先介绍了边缘计算的概念和通用构架，随后详细阐述了两个边缘计算参考构架，总结了边缘计算面临的挑战，并介绍了针对这些挑战的研究进展。随着边缘计算相关理论和技术的发展，边缘计算将成为推动物联网服务升级的关键技术，以预测性维护和安防监控为例，对边缘计算的应用进行了介绍。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：1048576
    • 提供者：weixin_38585666

  1. Robust-Learning-from-Untrusted-Sources:用于复制ICML 2019论文“从不受信任的来源进行严密学习”的实验的代码-Source code learning

  2. 可靠地从不受信任的来源中学习 介绍 该git存储库包含ICML 2019论文用于实验的代码。 尤其是所用的功能，用于运行大型实验的脚本以及用于从纸上创建绘图和表格的Jupyter Notebooks（包括在内）。 该代码易于执行，只要将“具有属性2的动物”实验的数据集和提取的特征存储在适当的目录中即可。 我们的论文提供了一个从多个来源学习的框架，这些来源就其提供的数据而言是不可靠的。 假设可以访问质量不同的多个批次数据和一个受信任的小型数据集，我们的算法会根据与干净数据集之间的适当距离度量，自

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：434176
    • 提供者：weixin_42132352
« 1 2 3»