基于学习方法构造的冗余字典可更加准确地提取信号的结构特征，也是近几年的研究热点。
论文在研究了基于KSVD字典学习的图像去噪算法的基础上，将相关系数匹配准则和字典裁剪方法相结合，提出一种改进的字典学习算法，进一步，为了利用图像的非局部自相似性信息，提出将自相似性作为一个约束正则项融入到图像去噪模型，提出基于改进字典学习和非局部自相似性的图像去噪算法。
大量实验验证，与传统KSVD去噪方法相比，该方法在提高同质区域平滑性的同时还能保留更多的纹理、边缘等细节特征。
论文在研究了基于KSVD字典学习的图像去噪算法的基础上，将相关系数匹配准则和字典裁剪方法相结合，提出一种改进的字典学习算法，进一步，为了利用图像的非局部自相似性信息，提出将自相似性作为一个约束正则项融入到图像去噪模型，提出基于改进字典学习和非局部自相似性的图像去噪算法。
大量实验验证，与传统KSVD去噪方法相比，该方法在提高同质区域平滑性的同时还能保留更多的纹理、边缘等细节特征。
2024/4/11 16:04:54
4.55MB
1
摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。
迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。
受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitiveTransferlearning，简称TTL）。
TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。
例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。
为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。
大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。
迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。
受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitiveTransferlearning，简称TTL）。
TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。
例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。
为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。
大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。
2024/3/19 9:12:27
1.82MB
1
作者:郡山彬出版社:世界图书出版公司译者:刘京华出版年:2005-2页数:169定价:15.00元丛书:轻松解读科学奥秘ISBN:9787506268677内容简介······概率统计与我们的生活息息相关，是一门能够即学即用的学问。
从骰子游戏的胜负到基本的统计处理，我们用图解说话，助你揭开“统计”迷雾，攻破“概率”难关。
《蜗牛科学系列》丛书从基础入手，遵循循序渐进的原则，深入浅出地解说基本的科学原理和最新的科学知识，注重学习方法与兴趣的培养。
带着身边的问题走进它，不用死记定理，也不用硬背公式，不再乏味，不再费解，轻松步入神奇有趣、绚丽多姿的科学世界。
本书是其中之一。
本书是写给觉得“我知道概率统计这个词，就是和现实事物对不上，不理解”，或常常想“我要学习概率统计，可是从哪里开始学呢”的读者。
我们的目标是把概率的基本知识解释得通俗易懂，并且尽量具体说明。
其中所举事例也尽量争取从我们周围的事情和日常的生活中选取。
数学看起来复杂，归根究底，审一个“简单事实的积累”。
概率统计也是如此。
希望本书能够帮助读者理解概率统计，或者使各位读者燃起学习的兴趣。
从骰子游戏的胜负到基本的统计处理，我们用图解说话，助你揭开“统计”迷雾，攻破“概率”难关。
《蜗牛科学系列》丛书从基础入手，遵循循序渐进的原则，深入浅出地解说基本的科学原理和最新的科学知识，注重学习方法与兴趣的培养。
带着身边的问题走进它，不用死记定理，也不用硬背公式，不再乏味，不再费解，轻松步入神奇有趣、绚丽多姿的科学世界。
本书是其中之一。
本书是写给觉得“我知道概率统计这个词，就是和现实事物对不上，不理解”，或常常想“我要学习概率统计，可是从哪里开始学呢”的读者。
我们的目标是把概率的基本知识解释得通俗易懂，并且尽量具体说明。
其中所举事例也尽量争取从我们周围的事情和日常的生活中选取。
数学看起来复杂，归根究底，审一个“简单事实的积累”。
概率统计也是如此。
希望本书能够帮助读者理解概率统计，或者使各位读者燃起学习的兴趣。
2024/3/11 23:33:38
131.89MB
1
之前一直找计算机体系结构量化学习方法第五版的答案，下载积分要的都比较多，下载下来一下发现少了附录abc的答案，又花了很多时间找附录abc的答案，现在整合一下方便大家下载。
2024/3/9 10:04:37
7.35MB
1
介绍了目标跟踪中用到的各种深度学习方法，包括一些经典的算法，也介绍了一些由简单到复杂的各种目标跟踪的深度学习领域的算法。
讲解非常全面。
讲解非常全面。
2024/3/9 8:32:10
1.04MB
1
基于深度学习的软件源码漏洞预测综述，马倩华，李晖，深度学习方法能自动提取软件源代码的一些语法语义特征进行漏洞预测,已有一些研究证实了其有效性,但该领域还没有统一的指导原则,本
2024/3/8 4:40:51
325KB
1
叫你如何使用python到如何使用numpy数组以及如何画图等用途，最后叫你如何使用sklearn框架调用机器学习方法
2024/2/19 0:32:07
2.47MB
1
1.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2024/1/25 9:25:40
626KB
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