P14

Spark MLlib 研究、使用 文档

MLlib 是一个可扩展的 Spark 机器学习库,由通用的学习算法和工具组成,包括二元分类、线性回归、聚类、协同过滤、降维、特征提取和转换以及底层优化原语。借助 Spark分布式计算框架和弹性分布式数据集(RDD),能够高效完成机器学习工作。

xwhsky 2016-12-27   591   0
P0

《神经网络与深度学习》 文档

深度学习是由在计算机上模拟人类神经回路的“神经元网络”技术发展而来。

kevinfight 2016-12-21   611   0
P74

基于机器学习的智能运维 文档

kevinfight 2016-12-21   643   0
机器学习   方案   报告   Go   diff  
P6

  红黑树 文档

之前看了很多写红黑树的博客,但是感觉都讲的不太清楚!没说这样操作如何使他保持平衡的,于是疑惑重重,就看不下去了,一次不经意看到一个人说讲的好,我就随便点了一下一看——这下疯了~,怎么讲的这么好!可以说是把一个复杂的问题,讲得简单化!这太幸福了! 于是我就慢慢学会了!强烈推荐维基的这个讲解,再也找不到比这还好的讲解了!不知道它上边其它的怎么样,反正这个很好!!既然学会了,走过来了,我也要留下脚印!

fsofois 2016-12-12   2365   0
P15

  平衡二叉树的解析 文档

平衡二叉树定义(AVL):它或者是一颗空树,或者具有以下性质的二叉树:它的左子树和右子树的深度之差的绝对值不超过1,且它的左子树和右子树都是一颗平衡二叉树。

fsofois 2016-12-12   319   0
P10

8-the-perceptron 文档

这一章,我们将介绍另一种线性模型,称为感知器(perceptron)。感知器是一种研究单个训练样本的二 元分类器,训练较大的数据集很有用。而且,感知器和它的不足激发了我们后面两种将介绍的模型。

startfly 2016-12-12   1545   0
P11

9-from-the-perceptron-to-support-vector-machines 文档

这一章,我们将介绍一种强大的分类和回归模型,称为支持向量机(support vector machine,SVM)。首先,我们将学习高维空间的特征映射。然后,我们将介绍,在处理被映射到高维空间的数据时,支持向量机是如何缓解那些计算与综合问题的。有许多书整本整本的介绍SVM,相关的优化算法需要比前面章节里介绍其他算法更多的数学知识。我们不再用前面那些章节的小例子来演示算法,而是通过直观的案例来介绍scikit-learn如何有效的使用SVM去解决问题。

startfly 2016-12-12   2436   0
P16

7-dimensionality-reduction-with-pca 文档

本章我们将介绍一种降维方法,PCA(Principal Component Analysis,主成分分析)。降维致力于解决三类问题。第一,降维可以缓解维度灾难问题。第二,降维可以在压缩数据的同时让信息损失最小化。第三,理解几百个维度的数据结构很困难,两三个维度的数据通过可视化更容易理解。下面,我们用PCA将一个高维数据降成二维,方便可视化,之后,我们建一个脸部识别系统。

startfly 2016-12-12   1752   0
P19

6-clustering-with-k-means 文档

本章,我们讨论无监督学习算法,聚类(clustering)。聚类是用于找出不带标签数据的相似性的算法。我们将介绍KMeans聚类思想,解决一个图像压缩问题,然后对算法的效果进行评估。最后,我们把聚类和分类算法组合起来,解决一个半监督学习问题。

startfly 2016-12-12   337   0
P15

3-feature-extraction-and-preprocessing 文档

本章,我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化,更是机器学习的基础,影响到本书的所有章节。

startfly 2016-12-12   1656   0
P14

5-nonlinear-classification-and-regression-with-decision-trees 文档

本章我们要讨论一种简单的非线性模型,用来解决回归与分类问题,称为决策树(decision tree)。首先,我们将用决策树做一个广告屏蔽器,可以将网页中的广告内容屏蔽掉。之后,我们介绍集成学习(lensemble learning)方法,通过将一系列学习方法集成使用,以取得更好的训练效果。

startfly 2016-12-12   1582   0
P19

4-from-linear-regression-to-logistic-regression 文档

这一章,我们讨论广义线性回归模型的具体形式的另一种形式,逻辑回归(logistic regression)。

startfly 2016-12-12   352   0
P19

10-from-the-perceptron-to-artificial-neural-networks 文档

在第8章,感知器里,我们介绍了感知器,一种线性模型用来做二元分类。感知器不是一个通用函数近似器;它的决策边界必须是一个超平面。上一章里面介绍的支持向量机,用核函数修正了感知器的不足,将特征向量有效的映射到更高维的空间使得样本成为线性可分的数据集。本章,我们将介绍人工神经网络(artificial neural networks,ANN),一种用于强大的非线性回归和分类模型,用新的策略来克服感知器的缺点。

startfly 2016-12-12   2111   0
P9

1-the-fundamentals-of-machine-learning 文档

本章我们简要介绍下机器学习(Machine Learning)的基本概念。主要介绍机器学习算法的应用,监督学习和无监督学习(supervised-unsupervised learning)的应用场景,训练和测试数据的用法,学习效果评估方式。

startfly 2016-12-12   432   0
P21

2-linear-regression 文档

本章介绍用线性模型处理回归问题。从简单问题开始,先处理一个响应变量和一个解释变量的一元问题。然后,我们介绍多元线性回归问题(multiple linear regression),线性约束由多个解释变量构成。紧接着,我们介绍多项式回归分析(polynomial regression问题),一种具有非线性关系的多元线性回归问题。最后,我们介绍如果训练模型获取目标函数最小化的参数值。在研究一个大数据集问题之前,我们先从一个小问题开始学习建立模型和学习算法。

startfly 2016-12-12   433   0
P3

bp神经网络的累积误差方案及算法 文档

介绍前向神经网络的累积误差算法.通过累积误差的改进 BP 算法实现了数学的一种运算, 通过实际算例结果 的对比, 证明了改进算法的有效性和进步性.

448558648 2016-12-10   6824   0
P5

支持向量机回归算法及其应用 文档

支持向量机是建立在统计学习理论基础上的通用学习方法, 它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。 笔者利用支持向量回归理论和方法, 建立支持向量机的预测模型, 并利用 winS VM 和 M ATLAB 软件进行了实例预测, 与二次回归预测值相比较, 支持向量机预测模型具有更好的预测精度, 且有很强的推广能力。

448558648 2016-12-10   508   0
P9

a neural transducer 文档

Sequence-to-sequence models have achieved impressive results on various tasks.However, they are unsuitable for tasks that require incremental predictions to be made as more data arrives or tasks that have long input sequences and output sequences. This is because they generate an output sequence conditioned on an entire input sequence. In this paper, we present a Neural Transducer that can make incremental predictions as more input arrives, without redoing the entire computation. Unlike sequence-to-sequence models, the Neural Transducer computes the next-step distribution conditioned on the partially observed input sequence and the partially generated sequence. At each time step, the transducer can decide to emit zero to many output symbols. The data can be processed using an encoder and presented as input to the transducer. The discrete decision to emit a symbol at every time step makes it difficult to learn with conventional backpropagation.It is however possible to train the transducer by using a dynamic programming algorithm to generate target discrete decisions. Our experiments show that the Neural Transducer works well in settings where it is required to produce output predictions as data come in. We also find that the Neural Transducer performs well for long sequences even when attention mechanisms are not used.

hillox 2016-12-08   361   0
P51

斯坦福大学报告:2030年的人工智能与生活 文档

“人工智能百年研究”(The One Hundred Year Study on Artifcial Intelligence)项目启动于 2014 年秋季,这是一个关于人工智能(AI)及其对人类、社区和社会所带来影响的长期调研项目。其研究内容包括相关科学和工程,以及 AI 计算系统的部署。负责该项目的常务委员会组建了一个研究小组( Study Panel),每五年对 AI 的发展状况进行一次评估,这 也是该项目的主要的任务。

shuchang78 2016-12-08   1548   0
1 2 3 4 5 6 7 8 9 10