搜索资源列表
KMeanIntroduction
- 聚类分析是将集合中的数据按其相似性大小分成不同类别的一种方法,它是模式 识别中多变量无监督学习的一个分支,己成功地用于医学,地质,财务,工程,图像 处理和文档等的数据分类中；含有实现此算法的源码 -cluster analysis is to pool the data according to similar size into a different category, It is pattern recognition multivariable Unsupervised Le
基于贝叶斯网络的半监督聚类集成模型
- 已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca
semi01.rar
- 近三年来半监督学习的国外顶级期刊论文，办监督的最新研究成果,Over the past three years semi-supervised learning of foreign top-level journal articles, to do oversight of the latest research results
FaceDe
- 基于支持向量聚类的多聚焦图像融合算法. 从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于 SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.-Based on support vector clustering algorithm for multi-focus image fusion. Never oversig
nk2
- 半监督异常行为监测pdf，提出新的基于半监督学习的行为建模与异常检测方法，采用基于动态时间归整的归一化距离来建立相似矩阵-Semi-supervised monitoring abnormal behavior pdf, propose a new semi-supervised Learning based on behavior modeling and anomaly detection methods, based on Dynamic Time Warping of the norma
UnsupervisedAnomalyDetectionBasedOnPrincipalCompon
- 入侵检测系统在训练过程中需要大量有标识的监督数据进行学习,不利于其应用和推广.为了解决该问题,提出了一种基于主成分分析的无监督异常检测方法,在最小均方误差原则下学习样本的主要特征,经过压缩和还原的互逆过程后能最大限度地复制样本信息,从而根据均方误差的差异检测出异常信息.构建的仿真系统经过实验证明,基于主成分分析的无监督异常检测方法能够在无需专家前期参与的情况下检测出入侵,实验结果验证了其有效性.-Intrusion Detection System in the training process
liuxinggaishu
- :流形学习是一种新的非监督学习方法,近年来引起越来越多机器学习和认知科学工作者的重视. 为了加深 对流形学习的认识和理解,该文由流形学习的拓扑学概念入手,追溯它的发展过程. 在明确流形学习的不同表示方 法后,针对几种主要的流形算法,分析它们各自的优势和不足,然后分别引用Isomap 和LL E 的应用示例. 结果表明, 流形学习较之于传统的线性降维方法,能够有效地发现非线性高维数据的本质维数,利于进行维数约简和数据分 析. 最后对流形学习未来的研究方向做出展望,以期进一步拓展流形
shejichengxu
- 微电脑汽车行驶安全监督系统软件设计，本系统方案非常好，值得大家去下载，去学习，内容新颖。-Microcomputer automobile driving safety monitoring system software design, the system is very good, is worth everybody to download, learn, novel content.
Support-vector-machine-
- 利用谱聚类方法在特 征向量空间中对原始样本数据进行重新表述使得在新表述中同一聚类中的样本能够更好地积聚在一起构建聚类核函数 并进而构造聚类核半监督支持向量机 使样本更好地满足半监督学习必须遵循的聚类假设 -Restated in the new formulation in the same cluster sample be better able to accumulate together to build the clustering of nuclear function and
based-on-random-walk
- 随机游走在计算机学科的信息检索领域已经得到了成功的应用，现在正被 越来越多地应用到机器学习和数据挖掘等领域。在此背景下，我们提出图上的 随机游走学习，创造性地将随机游走作为一项基本技术，用于改善传统的有监 督学习，半监督学习和无监督学习中的困难问题-Random walk has been successfully applied in computer science, information retrieval, is now being increasingly applied
ssl-on-locally--multiple-graphs
- 一种用于multiple graphs的半监督学习-Efficient semi-supervised learning on locally informative multiple graphs
image-study
- 多示例学习是与监督学习、非监督学习和强化学习并列的第四类学习框架，目前已广泛应用于药物设计、图像搜索等领域,并已获得很好的效果。在多示例学习中，训练样本是由多个示例组成的包，包是有概念标记的，但示例本身却没有概念标记，学习的目的是预测新包的类别。-Multi-instance learning and supervised learning, unsupervised learning and reinforcement learning tied for the fourth-class le
0000007689
- 半监督流行学习算法，看后能懂得流行学习算法的基本原理-Popular semi-supervised learning algorithm, after watching can understand the basic principles of popular learning algorithm
EMSeg
- EM 算法是求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。-Expectation Maximization image segmentation Input: ima: gr
Machine Learning in Action
- 机器学习实战，高清电子版,囊括了监督学习和非监督学习(Machine learning combat, HD electronic version)
2012.李航.统计学习方法
- 《统计学习方法》是计算机及其应用领域的一门重要的学科。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文
机器学习个人笔记
- 深度学习：一种基于无监督特征学习和特征层次结构的学习方法，此笔记中指出了一些初学者容易犯的错误(Deep learning: a learning method based on unsupervised feature learning and characteristic hierarchy, which points out some mistakes that beginners can make easily.)
MATLAB and Machine learning
- MATLAB与机器学习，包含机器学习简介，快速入门，应用监督式学习，应用无监督学习(MATLAB and Machine Learning, including Machine Learning Introduction, Quick Start, Application Supervised Learning, Application Unsupervised Learning)
关于人工智能在数据质量管理中的应用
- 说实在的，这个概念有些过于高大上，从大的方面包括、、强化学习等等，而深度学习又包括图像识别、语音识别、自然语言处理、预测分析;机器学习则包括监督学习、无监督学习、半监督学习，监督学习又细分为回归、分类、决策树等等。理论上人工智能什么都能做，什么都能迎合的上。