手写数字的识别是模式识别及机器学习的一个重要应用,应用范围非常广泛。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
2022/9/3 0:25:35
292KB
1
本人黄海广博士，以前写过吴恩达老师的机器学习个人笔记。
有朋友报名了课程，下载了这次课程的视频给大家分享。
Coursera的字幕不全，同学们在学习上感觉非常不方便，因此我找志同道合的朋友翻译和整理字幕，中英文字幕来自于由我和曹骁威同学组织爱好者翻译，希望对大家有所协助。
有朋友报名了课程，下载了这次课程的视频给大家分享。
Coursera的字幕不全，同学们在学习上感觉非常不方便，因此我找志同道合的朋友翻译和整理字幕，中英文字幕来自于由我和曹骁威同学组织爱好者翻译，希望对大家有所协助。
2015/6/18 11:04:57
24.03MB
1
本文实例讲述了Python实现的随机森林算法。
分享给大家供大家参考，具体如下：随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。
算法的一些基本要点：*对大小为m的数据集进行样本量同样为m的有放回抽样；
*对K个特征进行随机抽样，构成特征的子集，样本量的确定方法可以有平方根、自然对数等；
*每棵树完全生成，不进行剪枝；
*每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均）著名的python机器学习包scikitlearn的文档对此算法有比较详尽的介绍:http://scikit-learn.org/stable/modules/en
分享给大家供大家参考，具体如下：随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。
算法的一些基本要点：*对大小为m的数据集进行样本量同样为m的有放回抽样；
*对K个特征进行随机抽样，构成特征的子集，样本量的确定方法可以有平方根、自然对数等；
*每棵树完全生成，不进行剪枝；
*每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均）著名的python机器学习包scikitlearn的文档对此算法有比较详尽的介绍:http://scikit-learn.org/stable/modules/en
2016/7/18 17:32:02
84KB
1
一、机器学习的分类：监督学习（supervisedlearning）：线性回归，逻辑回归，KNN，神经网络，决策树，集成学习，SVM，贝叶斯，协同过滤，LDA无监督学习（unsupervisedlearning）：聚类、关联规则，PCA降维……二、机器学习中主要处理问题包括：分类，回归，聚类，降维……
2018/1/7 4:29:10
9KB
1
coursera机器学习ex8练习第一部分为失常点检测；
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
2019/2/10 15:16:35
1.1MB
1
基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类(EigenClass)。
在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。
使用具有不同属性和类别的20个不同数据集的数量进行比较。
每个算法都经过5折交叉验证训练和测试30次。
然后根据最常用的度量（例如精确度、精确度、召回率、微观F度量和宏观F度量）将结果相互比较。
在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。
使用具有不同属性和类别的20个不同数据集的数量进行比较。
每个算法都经过5折交叉验证训练和测试30次。
然后根据最常用的度量（例如精确度、精确度、召回率、微观F度量和宏观F度量）将结果相互比较。
2015/8/5 13:45:31
8KB
1
近年来，联邦学习作为处理数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。
从3个层面系统阐述联邦学习算法。
首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；
然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；
最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和处理方案，以及对未来的期望。
从3个层面系统阐述联邦学习算法。
首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；
然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；
最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和处理方案，以及对未来的期望。
2016/3/12 21:30:05
1.19MB
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