搜索资源列表
knn
- 朴素贝叶斯(Naive Bayes, NB)算法是机器学习领域中常用的一种基于概率的分类算法，非常简单有效。k近邻法(k-Nearest Neighbor, kNN)[30,31]又称为基于实例(Example-based, Instance-bases)的算法，其基本思想相当直观：Rocchio法来源于信息检索系统，后来最早由Hull在1994年应用于分类[74]，从那以后，Rocchio方法就在文本分类中广泛应用起来。
文本分类总结
- 很详细的基于机器学习的文本分类总结。综述性文档
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
基于主成份分析的Bagging集成学习方法
- 机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于 此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与 其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在 多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方 法其学习的数据也需要进行适当的特征变换
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
The_Status_Quo_of_Machine_Learning_of_Artificial_I
- 机器学习是人工智能的一个子领域，是人工智能中非常活跃且范围甚广的主要核心研究领域之一，也是现代智能系统的关键环节和瓶颈。机器学习吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果，主要关注于开发一些让计算机可以自动学习的技术，并通过经验提高系统自身的性能。本文介绍了机器学习的概念、基本结构和发展，以及各种机器学习方法，包括机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习以及知识发现等，并简单叙述了机器学习的相关算法，包括决策树算法、随机森林算
intrusiondetectionbasedonmachinelearning
- 基于机器学习的入侵检测技术研究,机器学习是CS领域中最好玩的分支之一。把它应用到网络安全领域也是很有意思的。-Intrusion detection based on machine learning technology research, the field of machine learning is the CS branch of one of the most fun. And apply it to the field of network security is also ver
machinelearningresearchingbasedonsvm
- 基于支持向量机的机器学习研究。支持向量机是目前机器学习领域一个比较成熟的算法。-Based on Support Vector Machines Machine Learning Research. Support Vector Machine is a relatively mature field of machine learning algorithms.
bookreview2-geller
- 这本书提供了一个全面的基础，在机器学习的概念，以及在现实世界中数据挖掘的情况下，将机器学习的工具和技术的实用的建议。在里面，你会学到所有你需要知道的关于编写，解释输出，评估结果，以及算法的心脏成功的数据挖掘方法，包括过去和基于Java的方法，在尝试和真正的技术当代研究的前沿。如果你参与的任何级别的工作从大的数据集合中提取有用的知识，写清楚，并有效地说明本书将证明是一个非常宝贵的资源。 补充作者的指令，是一个全功能的独立于平台的Java软件的机器学习系统，可供下载。将它应用到的样本数据集
classificiation-algorithm-overview
- 机器学习领域经典分类算法综述，包括Decision Tree（ＩＤ３、C4.5(C5.0)、CART、PUBLIC、SLIQ和SPRINT算法），三种典型贝叶斯分类器（朴素贝叶斯算法、TAN算法、贝叶斯网络分类器），k-近邻 、 基于数据库技术的分类算法（ MIND算法、GAC-RDB算法），基于关联规则（CBA:Classification Based on Association Rule）的分类（Apriori算法），支持向量机分类，基于软计算的分类方法（粗糙集（rough set）、遗传
Chinese-word-segmentation
- 基于n-gram和机器学习的汉语分词算法 理论研究-Chinese word segmentation
Faster-and-Better-A-Machine-Learning
- 一种基于机器学习的角点检测方法，很新的一篇英文文献-A Machine Learning Approach to Corner Detection
cerfe
- 基于负熵最大的独立分量分析，是机器学习的例程，抑制载波型差分相位调制。- Based on negative entropy largest independent component analysis, Machine learning routines, Suppressed carrier type differential phase modulation.
参考文献
- 基于机器学习的情感分析小论文，其方法有（支持向量机，深度学习）(Essays on emotion analysis)
Ryan_GA_BP
- 实现了基于遗传算法GA优化的BP神经网络，遗传代数为100代(BP neural network based on GA optimization)
abu-master(2)
- 机器学习算法进行数据分析，基于python语言(Data analysis by machine learning algorithm)
基于物品的协作型过滤推荐算法
- 基于物品的协作型过滤推荐算法和原理讲解。。。(Article based collaborative filtering algorithm and principle explanation)
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.)
基于深度学习的机器人抓取仿真训练技术研究
- 机器人智能抓取是实现机器人智能化的重要一环。由于待抓取物品形状、尺度的多样性以及环境因素的影响，抓取任务很难用准确的数学公式求解。以往的研究多是借助计算机视觉、机器学习等相关技术，虽有一定的效果，但智能化程度还是较低。2012 年后深度学习技术逐渐崛起，因为其良好的特征提取表现被应用在了各个领域，如医学图像、自动驾驶、数据分析等，近年来国外学者开始将这项技术应用到机器人抓取，并取得了一定的成果。
基于文本内容的垃圾短信识别
- 具体描述了怎么通过分词过滤，绘制词云，模型训练等进一步通过该案例学习机器学习的有关内容