Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
机器学习笔记 - 用于时间序列分析的深度学习技术
一 简述 过去 时间序列分析采用自回归综合移动平均线等传统统计方法 然而 随着深度学习的出现 研究人员探索了各种神经网络架构来建模和预测时间序列数据 深度学习技术 例如 LSTM 长短期记忆 卷积神经网络和自动编码器 已经在时间序列预测 异
深度学习从入门到精通
深度学习
人工智能
时间序列
时间序列分析
机器学习笔记 - 时间序列分析基础概念解释
一 简述 时间序列分析是一种统计方法 可检查定期收集的数据点以揭示潜在的模式 该技术与各个行业高度相关 因为它可以根据历史数据做出决策和预测 通过了解过去并预测未来 时间序列分析在金融 医疗保健 能源 供应链管理 天气预报 营销等领域发挥着
深度学习从入门到精通
人工智能
时间序列分析
LSTM
ARIMA
机器学习笔记 - 什么是3D语义场景完成/补全?
一 什么是3D语义场景补全 3D 语义场景完成 Semantic Scene Completion 是一种机器学习任务 涉及以体素化形式预测给定环境的完整3D场景 完成3D形状的同时推断场景的 3D 语义分割的任务 这是通过使用深度图和为场
深度学习从入门到精通
机器学习
人工智能
3D语义场景完成
体素化
机器学习笔记 - 什么是模型量化压缩技术?
一 简述 我们都知道现实世界是连续的状态 而计算机世界是离散的状态 这是什么意思呢 我们看一下下图 最右边的马力欧 高清 的状态 可以想象现实世界是连续的状态 而电脑世界在图像上呈现的是一格一格子的状态 左图 是离散的状态 所以在计算机世界
深度学习从入门到精通
人工智能
神经网络
模型量化
边缘设备
数字图像处理 在小波域中分析信号和图像
一 简述 小波变换是用于分析特征在不同尺度上变化的数据的数学工具 对于信号 特征可以是随时间变化的频率 瞬态或缓慢变化的趋势 对于图像 特征包括边缘和纹理 小波变换主要是为了解决傅立叶变换的局限性而创建的 傅立叶分析是将信号分解为特定频率的
深度学习从入门到精通
数字图像处理从入门到精通
MATLAB
数字图像处理
小波变换
机器学习笔记 - 使用具有triplet loss的孪生网络进行图像相似度估计
一 简述 孪生网络是一种网络架构 包含两个或多个相同的子网络 用于为每个输入生成特征向量并进行比较 孪生网络可以应用于不同的场景 例如检测重复项 发现异常和人脸识别 此示例使用具有三个相同子网的孪生网络 我们将向模型提供三张图像 其中两张是
深度学习从入门到精通
triplet loss
孪生网络
深度学习
tensorflow
基于深度学习的恶意软件检测
深度神经网络可以有效地挖掘原始数据中的潜在特征 而无需大量数据预处理和先验经验 神经网络在计算机视觉 语音识别和自然语言处理方面取得了一系列的成功 当然 成功的原因是多方面的 其中的一个因素就是神经网络具有从诸如像素或单个文本字符之类的原始
深度学习从入门到精通
深度学习
人工智能
Powered by 金山文档
机器学习笔记 - 【机器学习案例】在表格数据上应用高斯混合模型GMM和网格搜索GridSearchCV提高分类精度
1 需求及数据集说明 这是一项二分类任务 评估的是分类准确性 正确预测的标签百分比 训练集有1000个样本 测试集有9000个样本 你的预测应该是一个9000 x 1的向量 您还需要一个Id列 1到9000 并且应该包括一个标题 格式如下所
深度学习从入门到精通
机器学习零基础入门实战
机器学习
人工智能
高斯混合模型
2023年及以后语言、视觉和生成模型的发展和展望
一 简述 在过去的十年里 研究人员都在追求类似的愿景 帮助人们更好地了解周围的世界 并帮助人们更好地了解周围的世界 把事情做完 我们希望建造功能更强大的机器 与人们合作完成各种各样的任务 各种任务 复杂的信息搜寻任务 创造性任务 例如创作音
深度学习从入门到精通
数字图像处理从入门到精通
机器学习
人工智能
多模态
机器学习笔记 - 什么是多模态深度学习?
一 概述 人类使用五种感官来体验和解释周围的世界 我们的五种感官从五种不同的来源和五种不同的方式捕获信息 模态是指某事发生 经历或捕捉的方式 人工智能正在寻求模仿人类大脑 终究是跳不出这具躯壳的限制 人脑由可以同时处理多种模式的神经网络组成
深度学习从入门到精通
数字图像处理从入门到精通
机器学习
深度学习
多模态深度学习
机器学习笔记 - 数据科学中基于 Scikit-Learn、Tensorflow、Pandas 和 Scipy的7种最常用的特征工程技术
一 概述 特征工程描述了制定相关特征的过程 这些特征尽可能准确地描述底层数据科学问题 并使算法能够理解和学习模式 换句话说 您提供的特征可作为将您自己对世界的理解和知识传达给模型的一种方式 每个特征描述一种信息 片段 这些部分的总和允许算法
深度学习从入门到精通
机器学习
特征交叉
特征哈希
特征缩放
数字图像处理 基于python读取DICOM、NIfTI格式医学图像文件
一 医学图像 医学图像标注最重要的进步之一是应用机器学习来评估图像 以实现更精确 更快 更准确的医学诊断 在应用机器学习 ML 人工智能 AI 或任何其他诊断算法之前 您需要知道注释软件可以处理两种最常见的医疗和保健图像文件格式 包括 DI
深度学习从入门到精通
数字图像处理从入门到精通
python
dicom
NIfTI
机器学习笔记 - 使用 ResNet-50 和余弦相似度的基于图像的推荐系统
一 简述 这里的代码主要是基于图像的推荐系统 该系统利用 ResNet 50 深度学习模型作为特征提取器 并采用余弦相似度来查找给定输入图像的最相似嵌入 该系统旨在根据所提供图像的视觉内容为用户提供个性化推荐 二 所需环境 Python 3
深度学习从入门到精通
ResNet50
ImageNet
余弦相似度
特征提取