内容选择
全部
内容选择
内容分类
  • 学堂
  • 博客
  • 论坛
  • 开发服务
  • 开发工具
  • 直播
  • 视频
  • 用户
时间
  • 一周
  • 一个月
  • 三个月
  • 监督机器学习和监督机器学习的核心哲学

    监督机器学习的核心哲学:使用“数据驱动”方法让计算机可以学习输入/输出之间的正确映射。它需要一系列“标记”记录,其中包含训练集中的输入和期望的输出,以便将输入到输出的映射学习为一种准确的行为表现。可以用下面这个图来表示:监督机器学习的核心哲学:让计算机学习输入的内部结构而不是

    作者: 黄生
    43
    6
  • 地球引擎中级教程——监督分类和变化检测(机器学习和监督分类简介)

    机器学习和监督分类简介   监督分类可以说是遥感中最重要的经典机器学习技术。应用范围从生成土地利用/土地覆盖地图到变化检测。Google Earth Engine 是独一二的,适合大规模进行监督分类。地球引擎开发的交互特性允许通过将许

    作者: 此星光明
    发表时间: 2022-04-15 16:46:38
    983
    0
  • 分享监督学习的历史

    监督学习的历史1、自编码器在这次演讲中,我将讨论神经网络的未来发展方向。不过在这之前,我会先谈谈神经网络的发展历史,特别是监督学习。在机器学习中,有三种不同类型的学习模式:首先是监督学习,即给定输入向量学习预测输出。然后是强化学习,通过学习选择动作以获得最大奖励。最后是监督

    作者: 初学者7000
    834
    1
  • [Python人工智能] 二十八.Keras深度学习中文文本分类万字总结(CNN、TextCNN、BiLSTM、注意力)

    会分享更简洁的案例,继续加油~ 一.文本分类概述 二.数据预处理及分词 三.CNN中文文本分类 四.TextCNN中文文本分类 五.LSTM中文文本分类 六.BiLSTM中文文本分类 七.BiLSTM+Attention中文文本分类 对比实验结果如下图所示,效果非常不

    作者: eastmount
    发表时间: 2022-01-07 07:18:30
    14231
    1
  • 监督学习(一)概述

    1. 监督学习应用场景:在大量标注数据中自动挖掘潜在的结构和模式。1604110773210091351.png2. 典型应用场景-数据分析:通过监督聚类的方式对不同用户进行聚类,在每个类内进行广告推荐,商品推荐;通过监督方式对数据进行降维,加速计算。1604110926383090326

    作者: 星火燎原
    发表时间: 2020-10-31 11:29:57
    6253
    0
  • 深度学习之图像识别核心技术与案例实战》—3.3.2 监督数据增强

    3.3.2 监督数据增强  有监督的数据增强是利用研究者的经验来设计规则,在已有的图片上直接做简单的几何变换、像素变化,或者简单的图片融合,有两个比较大的问题:其一,数据增强没有考虑不同任务的差异性;其二,数据增强的多样性和质量仍然不够好。因此监督的数据增强方法逐渐开始被研究者重视,主要包括两类:*

    作者: 华章计算机
    发表时间: 2019-06-02 00:32:19
    3532
    0
  • 深度学习之图像识别:核心技术与案例实战》 ——3.3.2 监督数据增强

    3.3.2 监督数据增强  有监督的数据增强是利用研究者的经验来设计规则,在已有的图片上直接做简单的几何变换、像素变化,或者简单的图片融合,有两个比较大的问题:其一,数据增强没有考虑不同任务的差异性;其二,数据增强的多样性和质量仍然不够好。因此监督的数据增强方法逐渐开始被研究者重视,主要包括两类:*

    作者: 华章计算机
    发表时间: 2020-02-23 13:42:21
    6176
    0
  • 书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类

    书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类 文本分类器,提供多种文本分类和聚类算法,支持句子和文档级的文本分类任务,支持二分类、多分类、多标签分类、多层级分类和Kmeans聚类,开箱即用。python3开发。 Classifier支持算法

    作者: 汀丶
    发表时间: 2023-08-11 17:09:55
    31
    0
  • 分享监督学习的方法

    当前有两种主要的监督学习方法:第一种方法,以BERT和变分自编码器为例,使用了深度神经网络来重建其输入。这种方法对于图像来说是有问题的,因为网络的最深层需要对图像的精细细节进行编码。第二种方法是Becker和Hinton在1992年提出的:当给定相同图像的两个不同片段作为输入时

    作者: 初学者7000
    560
    1
  • 机器学习-监督学习

    Big Data-Data Mining系列课程。本课程主要介绍监督学习常见算法:聚类算法和关联规则算法等相关知识内容,聚类算法中重点介绍三种不同划分方法下的代表算法:K-Means算法和Hierarchical Clustering算法等,介绍这些算法的使用场景,主要特性,推

  • 监督对比学习引发的思考

    loss [8] ,进行监督训练:目标是将正样本从大量负样本中识别出来。监督训练得到的图像特征表现出了极强的泛化能力,能够为下游任务提供极佳的网络初始化权重,或仅经过少量有标签样本的微调(finetuning),即可获得接近全监督训练性能的图像分类模型。监督对比学习的成功也带来

    作者: QGS
    1465
    4
  • 基于ModelArts人工智能快速应用开发,声音分类模板开发与文本分类模板开发,自动学习三步骤

    声音分类模板开发与文本分类模板开发,自动学习三步骤1,数据准备与图像分类,目标检测相似,在ModelArts自动学习上基于,声音分类,文本分类,创建一个项目,然后将声音分类,和文本分类的数据进行标准2,自动模型分类训练ModelArts利用声音分类与文本分类算法,并根据输入的数

    作者: QGS
    422
    0
  • ModelArts人工智能快速应用开发,声音分类模板开发与文本分类模板开发,自动学习三步骤

    声音分类模板开发与文本分类模板开发,自动学习三步骤1,数据准备与图像分类,目标检测相似,在ModelArts自动学习上基于,声音分类,文本分类,创建一个项目,然后将声音分类,和文本分类的数据进行标准2,自动模型分类训练ModelArts利用声音分类与文本分类算法,并根据输入的数

    作者: QGS
    418
    0
  • 机器学习中的监督学习、监督学习、半监督学习和强化学习,这四种学习方式到底有啥区别?

    到最佳策略。 总结 监督学习、监督学习、半监督学习和强化学习是机器学习中常见的学习方式。监督学习是利用标记数据进行训练,可以用于分类、回归等任务。监督学习则是利用未标记数据进行训练,可以用于聚类、异常检测等任务。半监督学习则是介于监督学习和监督学习之间的一种学习方式,利

    作者: wljslmz
    发表时间: 2023-05-09 22:17:53
    29
    0
  • TextCNN大牛Kim《深度监督学习句法结构分析》

    分,从而保持了潜在变量模型的模块化,同时利用了深度学习的最新进展所带来的丰富参数化。我们实验了不同系列的深度潜在变量模型,以针对广泛的语言现象(从单词对齐到解析树),并将它们应用于核心自然语言处理任务,包括语言建模、机器翻译和监督解析。我们还研究了在语言应用中使用深度潜在变量模

    作者: yyy7124
    1349
    3
  • 监督学习/监督学习-看完吴恩达机器学习视频的总结

    通俗一点,可以把机器学习理解为我们教机器如何做事情。 监督学习的分类:回归(Regression)、分类(Classification) 监督学习 定义:我们不知道数据集中数据、特征之间的关系,而是要根据聚类或一定的模型得到数据之间的关系。 可以这么说,比起监督学习,监督学习更像是自学,让机器学会自己做事情,是没有标签(label)的。

    作者: 知识浅谈
    发表时间: 2022-06-28 15:41:00
    165
    0
  • 书籍“ModelArts人工智能应用开发指南” 人工智能应用快速开发声音分类,文本分类模板开发学习分享

    声音分类模板开发与文本分类模板开发,自动学习三步骤1,数据准备与图像分类,目标检测相似,在ModelArts自动学习上基于,声音分类,文本分类,创建一个项目,然后将声音分类,和文本分类的数据进行标准2,自动模型分类训练ModelArts利用声音分类与文本分类算法,并根据输入的数

    作者: QGS
    637
    1
  • 学习笔记 - 标注高精度自监督模型

    简单说就是通过设计利用可自由使用的带有自监督信息(self-supervised)的辅助任务来学习视觉特征。自监督模型是继GAN之后Yann LeCun看好的世界模型。下面通过一篇论文去了解下自监督模型的应用:《TextTopicNet – Self-Supervised Learning

    作者: RabbitCloud
    850
    2
  • 浅谈监督学习—聚类

    聚类是一种分离具有相似特征的群体并将其分配到群组的技术。Hierarchical Clustering(层次聚类)这种类型的聚类是机器学习中最流行的技术之一。层次聚类协助一个组织对数据进行分类,以确定相似性,以及不同的分组和特征,从而使其定价、商品、服务、营销信息和其他方面的业务

    作者: QGS
    36
    3
  • 深度学习之半监督学习

    与判别模型 P (y | x)共享参数,而不用分离监督监督部分。我们权衡监督模型准则 − log P (y | x)和监督或生成模型准则(如 − log P (x) 或 − log P (x, y))。生成模型准则表达了对监督学习问题解的特殊形式的先验知识 (Lasserre

    作者: 小强鼓掌
    749
    10