搜索资源列表
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
2
- 多特征信息融合的贝叶斯网络故障诊断方法研究-Multi-feature information fusion fault diagnosis method of Bayesian networks
Chinese-text-based-on-Naive-Bayes-
- 一种基于情感词典和朴素贝叶斯的中文文本情感分类方法-Feelings of the Chinese text based on emotional dictionaries and Naive Bayes classification
Pilot-aided-Bayesian
- 基于导频的贝叶斯信道估计，可以大大减少MMSE信道估计的计算复杂度-Bayesian channel estimation based on the pilot, can greatly reduce the computational complexity of the MMSE channel estimation
DataMining3rd
- 评测数据在去掉停用词的 分类过程开放测试中,引入Good-Turing算法的分类性能比Laplace原则提高了3·05 ,比Lidstone方法提高 1·00 .而在交叉熵选择特征词的算法中,增加Good-Turing的贝叶斯分类方法可比最大熵分类性能高95 .通过这种数据平滑的算法,有助于克服因数据稀疏而引发的特征词缺失问题 -Evaluation data in the open test of the classification process to remove stop
Bayesian-Compressive-Sensing
- 基于贝叶斯压缩感知理论的相关介绍，压缩感知理论是近几年非常热门的研究内容-Introduction of compressed sensing theory based on Bayesian compressed sensing theory is very popular in recent years, the research content
BP_nerual_network
- 通过gdm、LM以及贝叶斯正则化，进行BP神将网络-By gdm, LM and Bayesian regularization, for God BP Network
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
Sparsity-Inducing-DOA
- 基于稀疏分解的宽带信号DOA估计方法，使用了基于贝叶斯的方法具有良好的估计精度和分辨率-Wideband signal sparse decomposition DOA estimation method based on the use of a method based on Bayesian estimation has good accuracy and resolution
An-Empirical-Bayesian-Framework
- 一种基于贝叶斯框架的线性分类。使用神经生理学信息和实验信息构建协方差矩阵。-A linear classification based on Bayesian framework. Covariance matrix is constructed using information and experimental neurophysiology information.