贾斯汀玛尔斯
点赞、收藏加关注,追fun不迷路
展开
-
深度学习之DeepMind的MuZero
MuZero是DeepMind开发的一个强化学习算法。它的创新之处在于能够在没有明确模型的情况下进行有效的学习和决策。与传统的强化学习方法不同,MuZero不依赖于环境的真实动态模型,而是通过一个内部模型来预测未来的状态和奖励,从而在没有外部环境信息的情况下进行学习。原创 2024-07-23 15:02:31 · 102 阅读 · 0 评论 -
深度学习之DeepMind的AlphaZero
AlphaZero是DeepMind开发的一个人工智能程序,它在围棋、国际象棋和将棋(日本象棋)等棋类游戏中取得了显著的成功。与之前的棋类人工智能不同,AlphaZero并不依赖于传统的棋局数据库或手工设计的特征。相反,它通过自我对弈的方式进行学习,并使用深度神经网络来评估棋局和选择最佳的走法。原创 2024-07-23 14:45:26 · 138 阅读 · 0 评论 -
机器学习之对比学习MoCo
MoCo(Momentum Contrast)是由Facebook AI Research提出的一种对比学习方法,用于无监督的视觉表示学习。MoCo通过使用动量更新机制和一个队列存储负样本,使得可以在小批次训练中实现高效的对比学习。原创 2024-07-16 14:05:09 · 156 阅读 · 0 评论 -
机器学习之自监督学习之对比学习SimCLR(附代码示例)
SimCLR(Simple Framework for Contrastive Learning of Visual Representations)是由Google提出的一种对比学习SimCLR是一种有效的自监督对比学习方法,通过对比学习和数据增强技术,能够在没有标签数据的情况下学到高质量的特征表示,广泛应用于图像分类、目标检测、图像分割等任务中。它的优势在于无需标注数据、强大的特征表示能力和简洁的架构,但也有一些局限性,如对大批次的依赖。在实际应用中,SimCLR可以与其他方法结合使用,进一步提升性能。原创 2024-07-16 13:55:16 · 202 阅读 · 0 评论 -
深度学习之近端策略优化(Proximal Policy Optimization,PPO)
深度学习中的PPO(Proximal Policy Optimization,近端策略优化)是一种强化学习算法。PPO是由OpenAI提出的,它在解决许多复杂任务(如游戏AI和机器人控制)方面取得了很好的效果。原创 2024-06-25 13:42:14 · 250 阅读 · 0 评论 -
深度学习之条件生成对抗网络(Conditional GANs, cGANs)
在传统的GANs中,生成器从潜在空间中学习到一个映射,直接生成接近真实数据分布的样本。而在cGANs中,生成器和判别器除了输入潜在变量(通常是一个随机向量),还接收额外的条件信息。这些条件信息可以是类别标签、文本描述或其他形式的属性,用于指导生成器生成具有特定属性的数据。原创 2024-06-14 10:30:15 · 394 阅读 · 0 评论 -
机器学习之爬山算法(Hill Climbing Algorithm)
爬山算法属于局部搜索算法,因为它只能找到最优解的局部近似,而不能保证找到全局最优解。然而,它也容易陷入局部最优解,尤其是在搜索空间复杂或具有许多局部最优解的情况下。它的基本思想类似于登山过程中爬升到山顶的过程,即从一个起始点开始,不断尝试向邻近的点移动,直到找到一个局部最优解。这通常意味着选择具有更小目标函数值的邻近解,如果目标是最大化目标函数,则选择具有更大目标函数值的邻近解。:在当前解的邻近空间中生成相邻的解,这些相邻解与当前解只有一个或少量的参数值不同。:选择一个初始解作为搜索的起点。原创 2024-05-28 10:06:17 · 238 阅读 · 0 评论 -
机器学习之直推式迁移学习(Transductive Transfer Learning)
直推式迁移学习(Transductive Transfer Learning)是一种特殊的迁移学习方法,它主要关注的是在特定的目标任务上的表现,通过利用源任务的知识来提高目标任务的性能。与传统的迁移学习不同,直推式迁移学习假设目标任务的测试数据在训练过程中是可用的,并利用这些数据来改进模型的泛化能力。原创 2024-05-24 10:29:47 · 123 阅读 · 0 评论 -
机器学习之快速森林分位数回归(Fast Forest Quantile Regression)
快速森林分位数回归(Fast Forest Quantile Regression)是一种用于回归任务的机器学习方法,旨在预测目标变量的特定分位数值。与传统回归模型不同,分位数回归能够提供目标变量的不同分布信息,而不仅仅是均值预测。这在需要估计不确定性范围或分布特征的应用中非常有用。原创 2024-05-23 10:20:22 · 259 阅读 · 0 评论 -
机器学习之二分类决策丛林(Two-class Decision Jungle)
二分类决策丛林(Two-class Decision Jungle)是一种集成学习方法,结合了决策树和随机森林的优点,并引入了图模型的概念。决策丛林旨在通过构建多个决策树并将它们的结构图合并为一个“丛林”图来提高分类性能。下面详细介绍二分类决策丛林的核心概念、工作原理、优点和缺点,以及应用实例。原创 2024-05-23 10:09:48 · 788 阅读 · 1 评论 -
机器学习之二分类提升决策树(Two-class Boosted Decision Tree)
二分类提升决策树(Two-class Boosted Decision Tree)是一种常用的机器学习方法,主要用于分类任务。该方法结合了决策树模型和提升(boosting)算法的优点,通过多个弱分类器(通常是简单的决策树)来构建一个强分类器。原创 2024-05-23 10:05:04 · 410 阅读 · 1 评论 -
机器学习之交叉注意力
交叉注意力(Cross-Attention)是一种注意力机制,用于处理两个不同序列之间的依赖关系。相比于自注意力(Self-Attention),交叉注意力在多模态任务(如图像和文本匹配)或序列到序列任务(如机器翻译)中应用广泛。下面是交叉注意力机制的详细介绍和一个实现示例。原创 2024-05-20 15:42:58 · 468 阅读 · 0 评论 -
机器学习之注意力机制
注意力机制(Attention Mechanism)是机器学习,特别是深度学习中一种重要的技术,最初被用于自然语言处理(NLP)任务,如机器翻译。它的核心思想是,让模型在处理输入数据时,能够“关注”到数据中的重要部分,而不是一视同仁地处理所有部分。在序列到序列(seq2seq)模型中,传统的编码器-解码器架构往往会遇到问题,尤其是当输入序列很长时。具体来说,解码器在生成每个输出时,不是依赖于一个固定的上下文向量,而是根据当前的解码状态,动态地计算与输入序列不同部分的加权和。原创 2024-05-20 15:40:05 · 255 阅读 · 0 评论 -
深度学习之深度信念网络(Deep Belief Machines)
DBNs是一种堆叠了多个RBM的深度生成模型。每一层RBM的隐藏层作为下一层RBM的可见层。通过逐层训练,DBNs能够逐渐提取出数据的高级特征。原创 2024-05-17 11:11:10 · 142 阅读 · 0 评论 -
机器学习之基于图形的方法(Graph-based Methods) 半监督学习
在基于图形的方法中,数据点被看作图中的节点,节点之间的边表示数据点之间的关系。通过图的结构,可以利用标记数据和未标记数据的整体信息来提升模型的性能。原创 2024-05-17 10:59:50 · 114 阅读 · 0 评论 -
机器学习之低密度分离(Low-density Separation)
LOF算法通过计算每个数据点周围的局部密度与其邻居数据点的密度之比,来评估数据点的异常程度。局部密度可以使用这些邻居的距离来衡量,常用的方法包括计算 (k) 个最近邻的平均距离的倒数作为密度的估计。如果 LOF 较大的数据点被视为异常点,则可以尝试在数据空间中绘制异常点和正常点的分布情况,以便进一步分析和处理。这里的“低密度”指的是数据分布中相对稀疏的区域,即与其他类别的数据点相比较为孤立的区域。通常,密度较高的区域可以被视为同一类别的数据点,而密度较低的区域则可能是不同类别之间的边界。原创 2024-05-06 17:36:15 · 260 阅读 · 0 评论 -
机器学习之K-medians聚类
K-medians聚类是一种聚类算法,类似于K-means,但是它使用中位数来确定簇的中心,而不是平均值。这种方法在处理数据中存在离群值或异常值时比较有用,因为中位数对离群值不敏感。K-medians的步骤与K-means类似,但在每次迭代中,它使用中位数来更新簇的中心。下面是一个简单的Python示例,演示如何使用K-medians算法进行数据聚类。K-medians聚类是K-means的一种变体,适用于那些可能包含离群值或形状复杂的数据集。原创 2024-04-28 15:36:27 · 622 阅读 · 0 评论 -
图搜索算法详解
图搜索算法是一类用于在图数据结构中查找特定信息或路径的算法。它们在计算机科学和网络分析中起着关键作用。原创 2024-04-28 15:26:05 · 790 阅读 · 0 评论 -
机器学习之sklearn基础教程
sklearn基础教程原创 2024-04-24 09:20:01 · 110 阅读 · 0 评论 -
机器学习之模糊聚类(Fuzzy Clustering)附代码
FCM将数据点与聚类中心之间的距离作为样本与聚类的隶属度的衡量标准,通过迭代优化聚类中心和样本的隶属度来最小化目标函数(通常是样本与其所属聚类中心之间的加权平方误差)。根据隶属度值,可以将每个数据点分配给最高隶属度的群体,或者将每个数据点分配给多个群体,并根据其隶属度值进行权重。对于每个数据点,初始化其隶属度到每个群体的随机值,确保每个数据点对于每个群体的隶属度之和为1。模糊聚类过程与传统的硬聚类类似,但在每个数据点与每个群体的隶属度方面有所不同,这使得模糊聚类更适用于一些数据不是严格分离的情况。原创 2024-04-24 09:17:02 · 743 阅读 · 0 评论 -
机器学习之增强学习DQN(Deep Q Network)
Q-learning 是一种基于值函数的强化学习方法,它通过学习一个价值函数 Q(s, a),来评估在状态 s 下采取动作 a 的价值。经验回放通过保存智能体与环境交互的经验样本,并随机抽样用于网络的训练,以减少样本间的相关性,提高训练效率。它是基于Q-learning算法的一种扩展,通过使用深度神经网络来估计Q值函数,从而实现对复杂环境中动作的学习和决策。这些可以通过问题的特征来确定,例如在一个游戏中,状态可以是游戏画面的像素值,动作可以是游戏中可执行的操作。) 是目标网络的参数,用于计算目标 Q 值。原创 2024-04-22 14:31:32 · 699 阅读 · 1 评论 -
机器学习之时序差分学习(Temporal Different Learning)
时序差分学习(Temporal Difference Learning)是一种强化学习算法,常用于解决序列决策问题。它结合了动态规划和蒙特卡洛方法的优点,在未来奖励和当前估计之间进行自举式更新。该算法的核心思想是通过不断地估计状态值或动作值的更新来学习。具体来说,它通过比较当前状态的估计值和下一个状态(或下一步动作)的估计值加上未来奖励的总和,来调整当前状态的估计值。原创 2024-04-18 14:19:08 · 543 阅读 · 0 评论 -
OneFlow深度学习简介
OneFlow是一个基于深度学习的开源框架,主要面向机器学习工程师和研究人员。它提供了类似于其他深度学习框架(如TensorFlow和PyTorch)的API,同时具有高性能和高效的特点。OneFlow专注于在大规模数据集和分布式环境下的训练和推理,以及在生产环境中的部署和优化。其设计目标之一是提供易于使用的接口,同时保持对最新研究的支持,使用户能够快速实现并部署复杂的深度学习模型。OneFlow是由中国企业华为发起并维护的开源深度学习框架,旨在提供高性能、高效率的深度学习解决方案。特点和优势高性能。原创 2024-04-15 09:55:35 · 339 阅读 · 0 评论 -
蝙蝠算法(Bat Algorithm)介绍(附代码)
蝙蝠算法(Bat Algorithm)是一种启发式优化算法,模拟了蝙蝠在捕食过程中的行为。这个算法是由Xin-She Yang于2010年提出的,其灵感来源于蝙蝠在夜晚捕食时利用超声波来定位猎物的过程。蝙蝠算法主要用于解决连续优化问题。原创 2024-04-11 10:09:10 · 77 阅读 · 0 评论 -
python应援灯牌代码
python 代码原创 2024-04-08 16:28:52 · 1437 阅读 · 1 评论 -
机器学习之局部异常因子算法(Local Outlier Factor)
LOF算法的核心思想是,异常点通常在其周围的邻域中具有较低的密度,而正常点则在其周围的邻域中具有较高的密度。具体来说,LOF算法对于每个数据点,计算其与其周围邻域内其他数据点的密度比值,即该点的局部异常因子。:在医疗领域,LOF算法可以用于检测医疗数据中的异常情况,例如异常的生理指标、疾病模式等,有助于早期发现疾病。:在网络安全领域,LOF算法可以用于检测网络中的异常活动,例如异常的网络流量、恶意软件行为等。:分析标记的异常点,解释其异常性质,并进行必要的后处理,例如过滤噪声、调整阈值等。原创 2024-04-01 17:20:57 · 566 阅读 · 0 评论 -
尖峰神经网络(Spiking Neural Network)
尖峰神经网络(Spiking Neural Network,SNN)是一种生物启发型的人工神经网络,其设计灵感来自于生物神经系统中神经元的工作方式。与传统的人工神经网络(比如前馈神经网络和循环神经网络)不同,尖峰神经网络模拟神经元之间的脉冲信号传递。在尖峰神经网络中,神经元不再简单地输出连续值,而是通过脉冲信号(尖峰)的方式进行通信。这种脉冲信号的传递方式更加接近生物神经系统中神经元之间的通信方式。通常情况下,神经元在接收到足够的输入后会生成一个尖峰信号,并将其传递给与其连接的神经元。原创 2024-03-27 09:30:06 · 1207 阅读 · 1 评论 -
机器学习之决策树桩或决策残端(Decision Stump)
决策树是一种常见的机器学习模型,它由一个树状结构组成,每个节点代表一个特征属性的决策规则,而每个叶子节点代表一个类别标签或者是一个数值输出。决策树的每个节点都会根据一个特征属性进行划分,直到达到某个停止条件为止,例如节点中的样本数量小于某个阈值,或者树的深度达到了预设的最大深度。决策残端(Decision Stump)是一种特殊类型的决策树,单层决策树,也称决策树桩。它仅包含一个根节点和两个叶子节点。通常用于二分类任务。在这个节点上,仅基于一个特征进行简单的分类,而不考虑其他特征。原创 2024-03-27 09:29:40 · 158 阅读 · 0 评论 -
深度学习之分层时间记忆(Hierarchical Temporal Memory,HTM)附代码解析
分层时间记忆(Hierarchical Temporal Memory,HTM)是一种基于神经科学原理的机器学习模型,用于处理时间序列数据,它模拟了大脑皮层中的一些关键特征。HTM模型由Numenta公司的研究人员Jeff Hawkins等人提出,旨在模拟大脑皮层的工作原理。HTM模型的核心概念是将信息存储和处理看作是在多个层次上进行的。每个层次都由一组神经元组成,并且在不同层次之间存在连接。这些连接允许模型从数据中提取模式,并在不同的时间尺度上进行预测。原创 2024-03-22 17:03:20 · 513 阅读 · 0 评论 -
机器学习聚类分析算法之均值漂移算法
均值漂移算法(Mean Shift Algorithm)是一种非参数化的聚类算法,常用于图像分割、目标跟踪和密度估计等任务。该算法基于密度估计的原理,通过不断地迭代更新数据点的位置,使得数据点向密度较高的区域移动,最终聚集成簇。均值漂移算法的核心思想是在数据点的特征空间中,通过计算每个数据点周围的密度梯度方向,将数据点向梯度方向上密度增加的方向移动,直到收敛到密度较高的区域。原创 2024-03-22 16:37:00 · 293 阅读 · 0 评论 -
机器学习之层次聚类
层次聚类(Hierarchical Clustering)是一种聚类算法,它通过构建层次化的聚类结构来组织数据。它不需要事先指定聚类的数量,而是基于数据点之间的相似性逐步合并或划分聚类,直到形成一个层次化的聚类结构。层次聚类可以分为两种主要类型:凝聚式(Agglomerative)和分裂式(Divisive)。原创 2024-03-20 10:04:32 · 123 阅读 · 0 评论 -
Python程序打包成exe可执行文件的常用方法
PyInstaller是一个流行的工具,它可以将Python脚本打包成独立的可执行文件,支持Windows、Linux和Mac。Py2exe是一个专门用于将Python脚本打包成Windows可执行文件(.exe)的工具。cx_Freeze是另一个常用的打包工具,它可以将Python脚本打包成可执行文件。在Python中,您可以使用一些工具将您的Python程序打包成可执行文件(.exe)。目录中生成一个包含可执行文件的文件夹。目录中生成一个包含可执行文件的文件夹。目录中生成一个包含可执行文件的文件夹。原创 2024-02-28 09:58:44 · 119 阅读 · 0 评论 -
python 基础绘图函数 实例
在 Python 中,有许多用于绘图的库。: 绘制线图。: 绘制散点图。: 绘制条形图。: 绘制直方图。: 绘制饼图。: 显示图像。: 绘制线图。: 绘制散点图。: 绘制条形图。: 绘制直方图。: 绘制箱线图。: 在 Pandas 中,DataFrame 对象有一个内置的plot函数,通过kind参数可以选择绘制的图形类型,如折线图、散点图等。: 使用 Plotly 的图形对象,可以创建各种交互式图表。: 使用 Express 模块绘制散点图。原创 2024-02-27 14:46:59 · 1070 阅读 · 0 评论 -
python情人节表白
python代码turtle库原创 2024-01-30 16:52:29 · 417 阅读 · 0 评论 -
机器学习之遗传算法(Genetic Algorithm)
机器学习(Machine Learning)是一种通过使用算法和统计模型,使计算机系统能够从数据中学习并改善性能的领域。而遗传算法(Genetic Algorithm)是一种受到自然选择和遗传学原理启发的优化算法,用于寻找问题的最优解或近似最优解。遗传算法的基本思想是通过模拟自然选择和遗传机制,逐步演化一组个体以找到最适应环境的解决方案。这个过程包括选择、交叉(交叉互换基因信息)、变异(基因随机变化)等步骤。原创 2024-01-29 10:06:19 · 926 阅读 · 0 评论 -
使用SIFT(尺度不变特征变换)和SURF(加速稳健特征)方法来提取图像中的关键点和描述符
SIFT(尺度不变特征变换)和SURF(加速稳健特征)是经典的计算机视觉算法,常被用于图像处理任务中的关键点检测和描述符提取。这些算法的基本思想是寻找图像中具有稳定性和唯一性的局部特征,以便在不同尺度和旋转情况下进行匹配。原创 2024-01-26 14:14:01 · 104 阅读 · 0 评论 -
机器学习之蚁群算法
蚁群算法的设计灵感来自于观察蚂蚁群体在寻找食物和路径选择时的智能行为。通过模拟这些自然系统中的智慧,人们可以从自然界中汲取灵感,设计出更具适应性和鲁棒性的算法。原创 2024-01-19 14:06:47 · 981 阅读 · 0 评论 -
机器学习之协同过滤算法
协同过滤是一类用于个性化推荐的机器学习算法,它基于用户或物品之间的相似性进行预测。该算法的核心思想是:如果一个用户A在某些方面与另一个用户B相似,那么A可能对B喜欢的东西也更有可能喜欢。同样,如果一个物品X在某些方面与另一个物品Y相似,那么喜欢X的用户可能也更有可能喜欢Y。原创 2024-01-15 17:00:05 · 488 阅读 · 0 评论 -
机器学习之集成学习AdaBoost
AdaBoost(Adaptive Boosting)是一种集成学习算法,属于Boosting(提升)方法的一种。它是由Yoav Freund和Robert Schapire在1996年提出的,被证明在实际中取得了很好的效果。AdaBoost的基本思想是通过反复训练弱学习器(通常是简单的决策树),每次都调整样本的权重,使模型重点关注先前错误分类的样本,从而逐步提高整体性能。原创 2024-01-12 10:51:32 · 242 阅读 · 0 评论 -
机器学习之主成分分析(Principal Component Analysis,PCA)案例解析附代码
主成分分析(Principal Component Analysis,PCA)是一种用于降低数据维度的技术,其目标是找到可以最大程度保留原始数据信息的新坐标系。通过主成分分析,我们可以将高维数据转换为低维数据,同时尽可能保留原始数据中的信息。原创 2023-12-29 18:10:01 · 1322 阅读 · 0 评论