这是一门专门为STEM学生开发的机器学习入门课程。
我们讨论有监督、无监督和强化学习。
笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。
我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。
我们讨论有监督、无监督和强化学习。
笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。
我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。
2023/12/14 4:52:51
4.08MB
1
一个关于人体行为识别的PPT，使用公开的数据集，使用不平衡学习的方法与经典的机器学习方法进行比较。
2023/8/17 4:04:02
9.99MB
1
利用机器学习方法（分类）实现静态场景下的测试车辆检测 利用C语言或者Open_CV库，或者是MATLAB软件编写实现静态场景下的测视车辆检测。
需使用机器学习方法。
代码可以通过一个主函数直接运行出实验结果。
Data文件夹中包含train_34x94（训练集）和test（测试集）两个文件夹。
其中，train_34x94文件夹中的数据用于训练模型，包含pos文件夹（内有550个正例样本）和neg文件夹（内有500个负例样本）；
Test文件夹中的数据用于测试。
在Test测试集中的总体检测性能的评价指标为Recall、Precision和F-measure，写出对算法的性能评价和对实现中遇到问题的理解。
需使用机器学习方法。
代码可以通过一个主函数直接运行出实验结果。
Data文件夹中包含train_34x94（训练集）和test（测试集）两个文件夹。
其中，train_34x94文件夹中的数据用于训练模型，包含pos文件夹（内有550个正例样本）和neg文件夹（内有500个负例样本）；
Test文件夹中的数据用于测试。
在Test测试集中的总体检测性能的评价指标为Recall、Precision和F-measure，写出对算法的性能评价和对实现中遇到问题的理解。
2023/7/26 22:03:20
9.55MB
1
利用python处理UCI鲍鱼年龄预测数据，运用了经典回归、决策树、随机森林、SVM等十余种机器学习方法，附有数据集以及详细python代码
2023/6/8 0:06:30
160KB
1
由PoonamSharma和AkanshaSingh所写：深度学习在各种机器学习和计算机视觉应用中取得了显着的成功。
学习允许多个处理层自己学习功能，与传统的机器学习方法相反，而传统的机器学习方法无法以自然方式处理数据。
深度卷积网络在处理图像和视频方面表现出色，而循环神经网络在顺序数据方面取得了巨大成功。
本文回顾了迄今为止在该领域所做的所有方面和研究以及未来的可能性。
学习允许多个处理层自己学习功能，与传统的机器学习方法相反，而传统的机器学习方法无法以自然方式处理数据。
深度卷积网络在处理图像和视频方面表现出色，而循环神经网络在顺序数据方面取得了巨大成功。
本文回顾了迄今为止在该领域所做的所有方面和研究以及未来的可能性。
2023/3/8 10:45:36
293KB
1
三种机器学习方法和使用CNN训练FashionMNIST的功能比较，三种机器学习方法分别为:随机森林、KNN、朴素贝叶斯。
包含完整代码和测试文档
包含完整代码和测试文档
2023/3/6 18:31:53
30.39MB
1
随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数据时表现优良随机森林不需要顾虑一般回归分析面临的多元共线性的问题不用做变量选择现有的随机森林软件包给出了所有变量的重要性另外随机森林便于计算变量的非线性作用而且可以体现变量间的交互作用interaction它对离群值也不敏感本文通过3个案例分别介绍了随机森林在昆虫种类的判别分析有无数据的分析取代逻辑斯蒂回归和回归分析上的应用案例的数据格式和Ｒ语言代码可为研究随机森林在分类与回归分析中的应用提供参考"＞随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数[更多]
2023/2/3 14:01:57
1.86MB
1
在Jupyter笔记本中编写和共享计算分析的十个简单规则该存储库是对及其预印本浏览以下示例笔记本，了解十个简单规则的应用。
此外，我们还建立了以众包更多技术和深入的教程，并紧跟快速发展的Jupyter生态系统。
我们鼓励您贡献并分享您的专业知识。
例子1本示例演示了使用机器学习方法预测蛋白质折叠分类的可重现的4步工作流程。
规则9：设计笔记本以供阅读，运行和浏览。
下面的nbviewer链接提供笔记本电脑和笔记本电脑的非交互式预览。
按钮使用Binder（）服务器在Web浏览器中启动JupyterNotebook或JupyterLab（可能很慢！）。
（请参阅Binder网站如何设置到Git存储库的链接。
）HTML链接提供了笔记本的永久静态记录。
也可以从0-Workflow.ipynb顶级笔记本中的链接直接启动所有笔记本。
NbviewerJupyter笔记本Jupyter实验室HTML规则8：共享和解释您的数据。
为了实现可反复性，我们提供了example1/data目录，其中包含运行工作流程所需的所有数据。
该数据与下载位置和下载日期
此外，我们还建立了以众包更多技术和深入的教程，并紧跟快速发展的Jupyter生态系统。
我们鼓励您贡献并分享您的专业知识。
例子1本示例演示了使用机器学习方法预测蛋白质折叠分类的可重现的4步工作流程。
规则9：设计笔记本以供阅读，运行和浏览。
下面的nbviewer链接提供笔记本电脑和笔记本电脑的非交互式预览。
按钮使用Binder（）服务器在Web浏览器中启动JupyterNotebook或JupyterLab（可能很慢！）。
（请参阅Binder网站如何设置到Git存储库的链接。
）HTML链接提供了笔记本的永久静态记录。
也可以从0-Workflow.ipynb顶级笔记本中的链接直接启动所有笔记本。
NbviewerJupyter笔记本Jupyter实验室HTML规则8：共享和解释您的数据。
为了实现可反复性，我们提供了example1/data目录，其中包含运行工作流程所需的所有数据。
该数据与下载位置和下载日期
2023/1/20 10:36:42
53.78MB
1
对关系抽取技术研讨概况进行总结。
在回顾关系抽取发展历史的基础上，将关系抽取研讨划分为两个阶段:面向特定领域的关系抽取研讨和面向开放互联网文本的关系抽取研讨。
在分析相关文献的基础上，总结出两个研讨阶段的技术路线:面向特定领域的关系抽取技术以基于标注语料的机器学习方法为主;面向开放互联网文本的关系抽取则根据不同任务需要，采取基于启发式规则的方法或者基于背景知识库实例的机器学习方法。
在回顾关系抽取发展历史的基础上，将关系抽取研讨划分为两个阶段:面向特定领域的关系抽取研讨和面向开放互联网文本的关系抽取研讨。
在分析相关文献的基础上，总结出两个研讨阶段的技术路线:面向特定领域的关系抽取技术以基于标注语料的机器学习方法为主;面向开放互联网文本的关系抽取则根据不同任务需要，采取基于启发式规则的方法或者基于背景知识库实例的机器学习方法。
2019/1/6 23:35:30
427KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB