有监督-无监督-自监督-半监督-弱监督

最新推荐文章于 2024-11-10 11:53:38 发布
最新推荐文章于 2024-11-10 11:53:38 发布
阅读量103 收藏
点赞数
分类专栏： 深度学习 文章标签： 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43526137/article/details/127638671
版权
AutoGalaxy
关注
专栏目录
机器学习13 -- 无监督学习之自监督 self-supervised
谢杨易的博客
09-12 1万+
1 为什么要自监督学习 self-supervised learning 自监督学习是无监督学习的一种特殊方式。我们在无监督学习中讲过了，标注label是十分宝贵的，一般需要人工打标，时间和人力成本都十分高昂。但现实中，获取无标注data确实相对比较easy的事情。我们可以在网络上爬取很多很多的文本、图片、语音、商品信息等。如何利用这些无标注data，一直以来都是无监督学习的一个重要方向。而自监督学习则给出了一种解决方案。 自监督学习通过data的一部分，来predict其他部分，由自身来提供监督信号，
机器学习10 -- 半监督学习 Semi-supervised Learning
热门推荐
谢杨易的博客
09-11 1万+
1 为什么要做半监督学习 有监督机器学习已经在很多领域证明了它的有效性，比如ImageNet图像分类任务，深度学习模型早在2017年，准确率就已经超过了人类。机器学习被认为是一门数据驱动的学科，数据分为两部分，data和label。通常情况下，data是比较容易获取的，而label需要标注，要珍贵很多。比如对于图像分类任务，网络上有成千上万的图片数据，但他们大多数都是没有label标注的。 通常情况下，我们可以进行一小部分数据的标注，形成有监督数据，然后再利用好其他未标注数据。这种方法称为半监督学习。半
Self-Training：用半监督的方式对任何有监督分类算法进行训练
deephub
12-08 6147
本文将对Self-Training的流程做一个详细的介绍并使用Python 和Sklearn 实现一个完整的Self-Training示例。 半监督学习结合了标记和未标记的数据，可以扩展模型训练时可用的数据池。 我们无需手动标记数千个示例，就可以提高模型性能并节省大量时间和金钱。 如果你经常使用有监督的机器学习算法，你肯定会很高兴听到：可以通过一种称为Self-Training的技术快速调整模型的训练方法并享受到半监督方法的好处。 Self-Training属于机器学习算法的半监督分支，因为它使用标记和未
一文速通半监督学习(Semi-supervised Learning)：桥接有标签与无标签数据
定期分享我的发现和想法，感谢你的陪伴和支持
03-18 5486
论文看到哪学到哪 ^ - ^在机器学习的世界里，我们通常遇到这样一个现实问题：标注数据（有标签的数据）往往昂贵且难以获得，而未标注数据（无标签的数据）却大量存在，易于收集。假设你正在尝试教会计算机区分猫和狗的照片，但只有少数照片是打上了“猫”或“狗”的标签，大部分照片都没有标签。这时候，半监督学习就闪亮登场了，它是一种使用大量未标注数据和少量标注数据进行学习的方法，旨在提高学习效率和准确性。
半监督-SelfMatch-论文阅读笔记
s000da的博客
05-25 833
阅读背景 SimCLR在2020年2月第一次挂在arxiv上，被ICML 2020接收 FixMatch在2020年1月第一次挂在arxiv上，被NIPS 2020接收 概括总结 SelfMatch方法和 FixMatch 都是NIPS 2020的文章，前者是work shop，后者是conference。 核心方法，是将自监督的contrastive learning 和 半监督的 consistency regularization 结合，具体是SimCLR+FixMatch 的流程：首先在u
semi-supervised-algorithm-matlab.rar_matlab 半监督_matlab监督分类_semi-
07-13
半监督分类算法，其中有一些例子可供大家使用
lapsvmp_v02.zip_lapsvm_ss-lapsvm 代码_半监督_半监督识别_模式识别
07-14
半监督学习作为监督学习与无监督学习的结合体，为处理大量未标记数据提供了可能。本文将重点介绍基于线性可分支持向量机（Linearly Separable Support Vector Machine, 简称LAP SVM）的半监督版本——SS-LAP SVM，并...
Python-弱监督和半监督全景分割ECCV18
08-11
ECCV（European Conference on Computer Vision）是计算机视觉领域的顶级会议之一，2018年的ECCV会议上提出了关于弱监督和半监督全景分割的研究，这正是“Python-弱监督和半监督全景分割ECCV18”这个主题所关注的...
k-means.zip_k means 监督_k-means_半监督K均值_数据集 k-means_监督学习
07-13
半监督学习下的kmeans，用数据集，代码注释详细
人工智能-项目实践-虚假评论检测-基于半监督学习的虚假评论检测(Yelp数据集)
03-19
3. 构建半监督模型：常用的半监督学习方法有自编码器、图聚类、协同训练等。在这个项目中，我们可以选择如Label Propagation或Label Spreading等算法，它们能够利用未标记数据的结构信息来传播已知标签。 4. 模型...
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 418
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 1256
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 407
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
AI重塑软件开发流程
车轮的博客
11-10 636
既然谈到传统软件开发与AI参与的软件开发的对比，我们就来看一下这两者之前的区别。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 766
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 556
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
多媒体信息检索
最新发布
Edward2022的博客
11-10 317
多媒体信息检索：信息检索(Information Retrieval)、文本检索、图像检索、视频检索、多模态学习、跨文本检索
CVPR2024：PKINet(上下文锚点注意力机制)
kuailezzf的博客
11-06 481
PKINet采用无扩展的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。具体来说，首先，PKINet不依赖于大核卷积或膨胀卷积来扩展感受野，而是利用无扩展的深度卷积（inception-style）来提取不同感受野之间的多尺度纹理特征。最后，这两个模块协同工作，促进了局部和全局上下文信息的自适应特征提取，从而提高了遥感目标检测的性能。为了解决上述问题，以前的方法是通过大核卷积或膨胀卷积来扩展主干网络的空间感受野。但是，前者通常会引入相当大的背景噪声，而后者可能会产生过于稀疏的特征表示。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值