机器学习
文章平均质量分 96
读书人不谈恋爱
酌贪泉而觉爽,处涸辙以犹欢。
展开
-
蒙特卡洛模拟近似拉普拉斯范数的理论推导(蒙特卡洛方法、蒙特卡洛模拟)
蒙特卡洛模拟近似拉普拉斯范数的理论推导蒙特卡洛方法蒙特卡洛模拟利用蒙特卡洛模拟近似求解圆周率布丰投针试验随机数实验拉普拉斯分布雅可比矩阵拉普拉斯范数蒙特卡洛模拟近似拉普拉斯范数代码分析参考文献蒙特卡洛方法蒙特卡洛模拟蒙特卡洛方法,也称统计模拟方法。是冯诺依曼和乌拉姆提出的一种以概率统计理论为指导的数值计算方法。与之相对应的有拉斯维加斯方法(没错,都是赌城的名字)。通常蒙特卡罗方法可以粗略地分成两类:一类是所求解的问题本身具有内在的随机性,借助计算机的运算能力可以直接模拟这种随机的过程。另一原创 2021-04-26 15:32:42 · 963 阅读 · 0 评论 -
基于中心先验的深度贝叶斯哈希算法的多模态神经影像检索(CenterHash)
通过向医生提供以前的病例(视觉上相似的神经影像)和相应的诊断报告,多模态神经影像检索极大地促进了临床实践中决策的效率和准确性。然而,现有的图像检索方法在直接应用于多模态神经影像数据库时往往会失败,因为与自然图像相比,医学影像通常具有较小的类间差异和较大的模态差异。为此,我们提出了一个深度贝叶斯哈希学习框架,称为CenterHash,它可以将多模态数据映射到共享的海明空间,并从不平衡的多模态神经影像中学习判别哈希码。解决小类间差异和大模态差异的关键思想是为来自不同模态的相似的神经影像学习一个共同中心表示,并鼓原创 2021-02-16 15:25:31 · 1618 阅读 · 3 评论 -
一文总结经典卷积神经网络(AlexNet/VGGNet/ResNet/DenseNet 附代码)
随着神经网络变得越来越深,一个新的问题出现了:当输入特征数据或梯度数据通过多个神经层时,它在到达网络结尾(或开始)处就消失了。ResNets通过恒等连接将信号从一层传输到下一层。Stochastic depth通过在训练期间随机丢弃层来缩短ResNets,以得到更好的信息和梯度流。FractalNets重复组合几个并行层序列和不同数量的卷积块,以获得较深的标准深度,同时在网络中保持许多短路径。尽管上述方法的网络结构都有所不同,但它们有一个共同特征:创建从早期层到后期层的短路径。原创 2021-02-11 21:42:13 · 528 阅读 · 0 评论 -
【K-近邻】K-NN 实战分析 Facebook V Results: Predicting Check Ins
Facebook V Results: Predicting Check Ins 是Facebook在Kaggle上的一个机器学习工程竞赛数据集。K-近邻实战分析1. 数据集介绍及下载2. 代码分析3.总结1. 数据集介绍及下载这项比赛的目的是预测一个人想签到哪个地方。为了实现这一目的,Facebook创建了一个人工世界,由10公里乘10公里的正方形中的100,000多个地方组成。对于给定的一组坐标,程序员的任务是返回最可能的位置的排名列表。数据经过伪造,类似于来自移动设备的位置信号,使您有一种处理真原创 2020-10-09 17:16:43 · 841 阅读 · 1 评论