搜索资源列表
CxVision--V0.11
- cxvision 0.15 智能进化网络见 https://sourceforge.net/projects/cxvisionai/-CxVision 智能视觉 改良 变异 进化从未停止，智能网络自我进化繁衍---进化是创造原因，改变源起基因，思考的力量源至于进化
smo.tar
- This an implementation of SMO type classifier[1]. The input file is "i_x.mat" which is the matrix form of ionoshpere data obtained from https://archive.ics.uci.edu/ml/datasets.html [1] http://www.csie.ntu.edu.tw/~cjlin/papers/quadworkset.pdf-Thi
BikeShare
- 本程序和文档为应用神经网络技术实现对华盛顿地区自行车租赁需求分析的系统，数据 来源与 https://www.kaggle.com/c/bike-sharing-demand。本程序并非商业软件，而是中国科 学院大学 2014 级研究生机器学习课程作业。-This program and documentation for the application of neural network technology to achieve system in the Washington ar
DeepLearnToolbox_CNN_lzbV3.0
- CNN - 主程序 参考文献: [1] Notes on Convolutional Neural Networks. Jake Bouvrie. 2006 [2] Gradient-Based Learning Applied to Document Recognition. Yann LeCun. 1998 [3] https://github.com/rasmusbergpalm/DeepLearnToolbox 作者：陆振波 电子
hyperopt-hyperopt-0.1-2-gba2fe77
- HyperOpt：分布式异步超参数优化 HyperOpt是串行和并行优化Python库用于搜索空间，它可以包括实值的，离散的，有条件的维度.(hyperopt: Distributed Asynchronous Hyper-parameter Optimization Hyperopt is a Python library for serial and parallel optimization over awkward search spaces, which may incl
hyperopt参数调优
- HyperOpt：分布式异步超参数优化 HyperOpt是串行和并行优化Python库用于搜索空间，它可以包括实值的，离散的，有条件的维度.(hyperopt: Distributed Asynchronous Hyper-parameter Optimization Hyperopt is a Python library for serial and parallel optimization over awkward search spaces, which may incl
CNN_Torch7-master
- 在ubuntu下实现cnn网络，有相关数据集(CNN_Torch7 ========== This code use the code of Supervised Learning tutorial of Torch7. I add the loading of image by using graphicsMagick for Torch7. 1. for the code intepretation: http://code.madbits.com/wiki/doku.php?id
main
- NLP-NER的一个简单Demo。模型基于LSTM-CRF(A Demon for Chinese-NER from https://github.com/zjy-ucas/ChineseNER)
wooflix.tar
- https://gustavonarea.net/blog/posts/korens-svd-python-implementation/(Koren's SVD++ Python Implementation)
apriori
- 收集数据：使用任何方法 准备数据：任意数据类型都可以，因为我们只保存集合 分析数据：使用任何方法 训练算法：使用Apriori算法来找到频繁项集 测试算法：不需要测试过程 使用算法：用于发现频繁项集以及物品之间的关联规则 使用Apriori算法，首先计算出单个元素的支持度，然后选出单个元素置信度大于我们要求的数值，比如0.5或是0.7等。然后增加单个元素组合的个数，只要组合项的支持度大于我们要求的数值就把它加到我们的频繁项集中，依次递归。 然后根据计算的支持度选出来的频繁项集来
Bayes Net Toolbox for Matlab
- Written by Kevin Murphy, 1997--2002. Last updated: 19 October 2007. As of January 2014, this is maintained on Github at https://github.com/bayesnet/bnt
caffe-windows
- https://github.com/BVLC/caffe/tree/windows 官方caffe-windows源码