机器学习
AI工匠
AI 工匠
展开
-
透彻理解高斯过程Gaussian Process (GP)
透彻理解高斯过程Gaussian Process (GP)一、整体说说为了理解高斯过程,我们就首先需要准备一下预备知识,即:高斯分布、随机过程以及贝叶斯概率等。明白了这些预备知识之后才能顺利进入高斯过程,了解高斯过程本质及其高斯过程描述方法。人们又将高斯过程与贝叶斯概率有机结合在一起,构造了强大的数学方法(或称模型),为人类提供解决日常生活和工作的问题。特别是在人工智能领域更是意义非凡。为...原创 2018-08-18 17:07:59 · 69808 阅读 · 14 评论 -
利用协方差,皮尔逊相关系数和斯皮尔曼相关系数确定变量间的关系
利用协方差,皮尔逊相关系数和斯皮尔曼相关系数确定变量间的关系https://www.toutiao.com/i6550915552490029576/ 数据集中的变量之间可能存在复杂且未知的关系。重要的是发现和量化数据集的变量相关的程度。这些知识可以帮你更好地准备数据,以满足机器学习算法的预期,例如线性回归,其性能会随着这些相关的出现而降低。在本教程中,你会了解到相关性是变量之间关系的统...转载 2018-08-18 17:08:21 · 6984 阅读 · 0 评论 -
最详细最容易理解的HMM文章
最详细最容易理解的HMM文章http://www.52nlp.cn/hmm-learn-best-practices-four-hidden-markov-modelswiki上一个比较好的HMM例子HMM(隐马尔科夫模型)是自然语言处理中的一个基本模型,用途比较广泛,如汉语分词、词性标注及语音识别等,在NLP中占有很重要的地位。网上关于HMM的介绍讲解文档很多,我自己当时开始看的...原创 2018-08-28 20:55:17 · 651 阅读 · 0 评论 -
应用层级时空记忆模型(HTM)实现对实时异常流时序数据检测
应用层级时空记忆模型(HTM)实现对实时异常流时序数据检测Real-Time Anomaly Detection for Streaming Analytics Subutai Ahmad SAHMAD@NUMENTA.COM Numenta, Inc., 791 Middlefield Road, Redwood City, CA 94063 USA Scott Purdy SPURD...翻译 2018-08-22 14:09:37 · 5157 阅读 · 6 评论 -
为什么神经元有数千个突触,一个新皮质中的序列记忆理论(HTM算法基础)
为什么神经元有数千个突触,一个新皮质中的序列记忆理论(HTM算法基础)Jeff Hawkins* and Subutai Ahmad Numenta, Inc., Redwood City, CA, USA https://www.frontiersin.org/articles/10.3389/fncir.2016.00023/full 锥体神经元代表新皮质中的大部分兴奋性神经元。每个...翻译 2018-08-21 12:04:15 · 6860 阅读 · 0 评论 -
应用HTM算法实时异常检测流分析
应用HTM算法实时异常检测流分析一、摘要 世界上的许多数据都是流式的时间序列数据,在这些数据中,异常数据在关键情况下提供了很多重要的信息。然而,检测流式数据中的异常是一项艰巨的任务,需要探测器实时处理数据,并在进行预测的同时能够学习。本文介绍一种新的基于在线序列记忆算法的异常检测技术——分层时间记忆(HTM)。二、概述 我们将异常定义为系统行为异常且与过去行为明显不同的时间...原创 2018-09-05 17:45:17 · 5550 阅读 · 1 评论 -
多目标优化问题的算法及其求解
多目标优化问题的算法及其求解一、多目标优化问题 多目标优化是在现实各个领域中都普遍存在的问题,每个目标不可能都同时达到最优,必须各有权重。但是,究竟要怎样分配这样的权重,这已经成为人们研究的热点问题。同时,根据生物进化论发展起来的遗传算法,也得到了人们的关注。将这两者结合起来,能够利用遗传算法的全局搜索能力,避免传统的多目标优化方法在寻优过程中陷入局部最优解,可以使解个体保持多样性。...原创 2018-09-06 17:32:58 · 222831 阅读 · 26 评论