领域_机器学习
文章平均质量分 82
机器学习相关文章
csdn_yuan88
这个作者很懒,什么都没留下…
展开
-
[转]【建议收藏】优秀实用的OpenCV开源项目汇总
1、Openpose实时人体、脸、手、脚的关键点检测库https://github.com/CMU-Perceptual-Computing-Lab/openpose2、Learnopencv学习OpenCV: c++和Python示例https://github.com/spmallick/learnopencv3、Faceai一款入门级的人脸、视频、文字检测以及识别的项目.https://github.com/vipstone/faceai4、Mvi.转载 2020-07-28 23:32:27 · 1361 阅读 · 0 评论 -
[转]知乎大神YaqiLYU关于tracking方向的2013-2016趋势总览!!!强烈推荐!!!
真真实实的学习tracking也有半年了,tracking的主流趋势年年改变,每年都有新的突破。从CT、IVT到struck,到TLD、到CF,再到火热的CNN也应用到了tracking领域。作为初入领域的学习者,需要在打好机器学习各种算法的基础上,了解每年顶级会议以及期刊中tracking的发展方向,尽力把握前沿动态。下面是对知乎大神YaqiLYU的年年总结的转载,对于把握从2013年到2016年tracking领域的发展动态有很好的帮助。另外,作者仍在更新当中,期待YaqiLYU对CVPR2017,转载 2020-07-27 22:36:03 · 525 阅读 · 0 评论 -
一文搞懂 CPU、GPU 和 TPU
神经网络如何运算 在我们对比 CPU、GPU 和 TPU 之前,我们可以先了解到底机器学习或神经网络需要什么样的计算。如下所示,假设我们使用单层神经网络识别手写数字。 如果图像为 28×28 像素的灰度图,那么它可以转化为包含 784 个元素的向量。神经元会接收所有 784 个值,并将它们与参数值(上图红线)相乘,因此才能识别为「8」。其中参数值的作用类似于用「滤波器」从数据中抽取特征,因而能计算输入图像与「8」之间的相似性: 这是对神经网络做数据分类最基础的解释,即将数据与对应的参数相乘(上图两种颜转载 2020-07-19 11:02:10 · 1029 阅读 · 0 评论 -
[转]CPU/GPU/TPU/NPU...XPU都是什么鬼
目录CPUGPUTPUNPUBPUDPU其他 XPU现在这年代,技术日新月异,物联网、人工智能、深度学习等概念遍地开花,各类芯片名词GPU, TPU, NPU,DPU层出不穷......它们都是什么鬼?与CPU又是什么关系?搞不懂这些知识,买手机的时候都没法在妹子面前装B了呢。这是“物小白系列”的第1篇文章“亲爱的,听说HW最新发布了Mate 10,里面有个叫什么NPU的,听起来很厉害,这是什么东西啊?”“呃……就是人工智能处理器吧?”“什么是人.转载 2020-07-17 22:33:41 · 1083 阅读 · 0 评论 -
opencv学习笔记02
原创博文地址;opencv学习笔记02OpenCV-Python教程:11.图片阈值https://www.jianshu.com/p/267a32ad0a23cv2阈值处理:https://blog.csdn.net/u011070767/article/details/80639556一、全局阈值为整个图片指定一个阈值,函数为cv2.threshold(src, thresh, maxval, type, dst=None) OpenCV-Python教程:11.图片阈值.原创 2020-07-12 22:26:10 · 488 阅读 · 0 评论 -
opencv学习笔记01
原创博文地址:opencv学习笔记01学习目标1,opencv能做什么,不能做什么2,阅读代码,知道某种func后图片怎么样了3,在图片相关机器学习算法预处理阶段,希望通过对图片的简单处理,达到提升训练效果的目的。OpenCV-Python教程:2.Imageshttps://www.jianshu.com/p/35712839830·打开图片,显示,保存图片·这些函数:cv2.imread(), cv2.imshow(), cv2.imwrite()cv2.waitKey()是一原创 2020-07-12 22:24:44 · 252 阅读 · 0 评论 -
[转]caffe-ssd中 net.forward()返回值
out = net.forward()在运行caffe的模型中,经常会使用句代码,这个代码中out里面的内容是什么呢?type(out)可以发现out是一个dict执行下面的代码:for key in out:print key发现out只有一个key:detection_out,这个是我的caffe输出层的名字,所以out其实就是caffe运行输出的结果。那么这个结果的具体内容又是什么呢?在spyder上的运行后显示如下:bbb = out[‘detection_out’]b...转载 2020-07-12 11:57:50 · 1215 阅读 · 0 评论 -
基于深度学习的目标检测发展历程:deep_learning_object_detection
目标检测论文从 2014-2018模型表现表格DetectorVOC07 (mAP@IoU=0.5)VOC12 (mAP@IoU=0.5)COCO (mAP)Published InR-CNN58.5––CVPR’14OverFeat–––ICLR’14MultiBox29.0––CVPR’14SPP-Net59.2––ECCV’14MR-CNN78.2 (07+12)73.9 (07+12)–ICCV’1...转载 2020-07-11 20:56:59 · 451 阅读 · 0 评论 -
计算机视觉新手指南
通过机器的眼睛去探索如果我们想让机器学会思考,就需要教他们学会如何用视觉去看周围环境。—— 斯坦福大学AI实验室和斯坦福视觉实验室主任李飞飞使计算机或手机等机器看到周围环境的现象称为计算机视觉。机器仿生人眼的研究工作可以追溯到50年代,从那时起,我们已经走了很长一段路。计算机视觉技术已经通过不同的电子商务领域以及相机应用程序进入了我们的手机。想一想当机器能够像人眼一样准确地看到周围环境时,机器还有什么是不可以做的。人眼是一个复杂的结构,它可以理解复杂的环境现象。同样的,可以让机器能够...转载 2020-07-11 20:43:55 · 360 阅读 · 0 评论 -
[转]6个开源数据科学项目
作者|PRANAV DAR编译|VK来源|Analytics Vidhya概述 利用这段时间,用这些顶级的开源项目来制作你的数据科学简历 从Facebook AI的计算机视觉框架到OpenAI的GPT-3模型,我们涵盖了广泛的开源数据科学项目 介绍“到目前为止,你完成了多少数据科学项目?”这是面试者在数据科学面试中经常问的问题。我曾进行了几次这样的面试。这个问题基本上开门见山就会询问。如果你是一个数据科学的新手,尤其需要注意仅仅学习课程或获得证书是不够的。我认识...转载 2020-07-11 20:31:54 · 344 阅读 · 0 评论 -
算法_深度LSTM笔记[博]
原创博客链接:点击这里本文适合有一定基础同学的复习使用,不适合小白入门,入门参考本文参考文献第一篇结构_静态综合图结构_分步动图进一步,向量化参数和引入问题1, cell 的状态是一个向量,是有多个值的如果理解了上面结构,这个理解起来问题不大,单一数字变向量即可。引出一个问题:int相加无问题,ht+xt组合时如何组合?直接相加不可能...原创 2020-04-12 13:43:08 · 189 阅读 · 0 评论 -
k-means及变种
转自:http://blog.csdn.net/tuqinag/article/details/45893459聚类算法聚类算法是属于无监督学习算法中非常常用的一种。算法使用的训练数据中的标签信息是未知的,目标是通过对无标记的训练样本的学习来揭示内在的性质和规律。聚类过程能够自动地形成簇结构,但是簇对应的概念语意需要由使用者来决定。聚类既能作为一个单独的过程,用于寻找数据的内在分布结构,也...转载 2017-06-02 09:48:34 · 4153 阅读 · 0 评论 -
Logistic逻辑回归模型(LR)基础
逻辑回归(Logistic Regression, LR)模型其实仅在线性回归的基础上,套用了一个逻辑函数,但也就由于这个逻辑函数,使得逻辑回归模型成为了机器学习领域一颗耀眼的明星,更是计算广告学的核心。本文主要详述逻辑回归模型的基础,至于逻辑回归模型的优化、逻辑回归与计算广告学等,请关注后续文章。1 逻辑回归模型 回归是一种极易理解的模型,就相当于y=f(x),表明自变量x与因...转载 2017-06-02 09:48:12 · 2309 阅读 · 0 评论 -
GBDT(MART) 迭代决策树入门教程
在网上看到一篇对从代码层面理解gbdt比较好的文章,转载记录一下: GBDT(GradientBoostingDecisionTree)又叫MART(MultipleAdditiveRegressionTree),是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力(gener...转载 2017-06-02 09:47:58 · 1958 阅读 · 0 评论 -
GA遗传算法入门到掌握
遗传算法的有趣应用很多,诸如寻路问题,8数码问题,囚犯困境,动作控制,找圆心问题(这是一个国外网友的建议:在一个不规则的多边形 中,寻找一个包含在该多边形内的最大圆圈的圆心。),TSP问题(在以后的章节里面将做详细介绍。),生产调度问题,人工生命模拟等。直到最后看到一个非 常有趣的比喻,觉得由此引出的袋鼠跳问题(暂且这么叫它吧),既有趣直观又直达...转载 2017-06-02 09:47:31 · 6040 阅读 · 2 评论 -
GA遗传算法(Genetic Algorithm)
遗传算法(Genetic Algorithm)又叫基因进化算法,或进化算法。属于启发式搜索算法一种,这个算法比较有趣,并且弄明白后很简单,写个100-200行代码就可以实现。在某些场合下简单有效。本文就花一些篇幅,尽量白话方式讲解一下。 首先说一下问题。在我们学校数据结构这门功课的时候,时常会有一些比较经典的问题(而且比较复杂问题)作为学习素材,如八皇后,背包问题,染色...转载 2017-06-02 09:47:14 · 3333 阅读 · 0 评论 -
EM从最大似然到EM算法浅解
从最大似然到EM算法浅解zouxy09@qq.comhttp://blog.csdn.net/zouxy09 机器学习十大算法之一:EM算法。能评得上十大之一,让人听起来觉得挺NB的。什么是NB啊,我们一般说某个人很NB,是因为他能解决一些别人解决不了的问题。神为什么是神,因为神能做很多人做不了的事。那么EM算法能解决什么问题呢?或者说EM算法是因为什么而来到这个世...转载 2017-06-02 09:46:45 · 1954 阅读 · 0 评论 -
DBSCAN聚类算法初探(五)
转自:http://blog.csdn.net/itplus/article/details/10088625第一章 引言第二章 预备知识第三章 直接聚类法第四章 K-means第五章 DBSCAN第六章 OPTICS第七章聚类分析的效果评测第八章数据尺度化问题发表在 Science 上的一种新聚类算法作...转载 2017-06-02 09:46:26 · 2064 阅读 · 0 评论 -
P-value个人理解
最近见到p-value的频率有点高,之前也看到很多次了,基本当时懂了过几天就忘记了,整理下。P值定义[from:百度百科]P值即概率,反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值,一般以P < 0.05 为有统计学差异, P<0.01 为有显著统计学差异,P<0.001为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于0....原创 2017-06-04 13:01:14 · 34658 阅读 · 0 评论 -
BP反向传播一文弄懂神经网络中的反向传播法
最近在看深度学习的东西,一开始看的吴恩达的UFLDL教程,有中文版就直接看了,后来发现有些地方总是不是很明确,又去看英文版,然后又找了些资料看,才发现,中文版的译者在翻译的时候会对省略的公式推导过程进行补充,但是补充的又是错的,难怪觉得有问题。反向传播法其实是神经网络的基础了,但是很多人在学的时候总是会遇到一些问题,或者看到大篇的公式觉得好像很难就退缩了,其实不难,就是一个链式求导法则反复用。...转载 2017-06-02 09:46:14 · 1875 阅读 · 0 评论 -
K-means均值聚类算法的原理与实现
转自:http://blog.csdn.net/xiaolewennofollow/article/details/45541159K-均值聚类算法的原理与实现聚类是一种无监督的学习,它将相似的对象归到同一个簇中,聚类方法几乎可以应用于所有对象,簇内的对象越相似,聚类的效果越好,本文主要介绍K-均值聚类的算法,之所以称之为K-均值是因为它可以发现k个不同的簇,并且每个簇的中心采用簇中所含的...转载 2017-06-02 09:48:57 · 6921 阅读 · 0 评论 -
LDA通俗理解LDA主题模型
转自:http://blog.csdn.net/v_july_v/article/details/41209515#t13 通俗理解LDA主题模型0 前言 印象中,最开始听说“LDA”这个名词,是缘于rickjin在2013年3月写的一个LDA科普系列,叫LDA数学八卦,我当时一直想看来着,记得还打印过一次,但不知是因为这篇文档的前序...转载 2017-06-02 09:49:14 · 3085 阅读 · 0 评论 -
HMM隐马尔可夫模型(HMM)攻略
隐马尔可夫模型(Hidden Markov Model,HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中,随后在语言识别,自然语言处理以及生物信息等领域体现了很大的价值。平时,经常能接触到涉及HMM的相关文章,一直没有仔细研究过,都是蜻蜓点水,因此,想花一点时间梳理下,加深理解,在此特别感谢 52nlp 对 HMM 的详细介绍。 考虑下面交通灯的例子,一...转载 2017-06-02 09:49:39 · 2725 阅读 · 0 评论 -
梯度下降法
回归(regression)、梯度下降(gradient descent)发表于332 天前 ⁄ 技术, 科研 ⁄ 评论数 3 ⁄ 被围观 1152 次+本文由LeftNotEasy所有,发布于http://leftnoteasy.cnblogs.com。如果转载,请注明出处,在未经作者同意下将本文用于商业用途,将追究其法律责任。前言:上次写过一篇关于贝叶斯概率论的数学...转载 2017-06-01 15:58:13 · 1393 阅读 · 0 评论 -
python_Pandas机器学习数据预处理
简介数据预处理常用python方法01.从数据中读取数据import pandas as pdimport MySQLdbmysql_cn= MySQLdb.connect(host='localhost', port=3306,user='myusername', passwd='mypassword', db='mydb')df = pd.read_sql('se...原创 2019-04-01 19:06:59 · 2169 阅读 · 0 评论 -
PPT机器学习概述
公司内部交流,介绍机器学习的ppt基于案例的交互式学习,都是非常基础的,不需要太多线性代数和统计概率论知识,基础的贝叶斯概率,决策树,最小二乘,再就是遗传算法和蒙特卡洛模拟方法等不依赖高等数学的算法。大纲如下•什么是机器学习•机器学习与人工智能•应用场景•五大流派,三大方向•二分类,回归和过拟合•最小二乘,梯度下降,knn•决策树,贝叶斯,遗传算...原创 2017-12-29 22:52:30 · 6235 阅读 · 1 评论 -
为何数据视觉化越来越火
转自:http://qingmang.me/articles/4430966316133062915视觉化沟通已成为所有管理者的必修课,因为在越来越多情境下,视觉化将成为传达工作内容的惟一途径。不久前,数据视觉化还只是一项锦上添花的技能。大多数情况下,从中受益的是重视设计和数据并主动进行相关投入的管理者。但现在不同了:视觉化沟通已成为所有管理者的必修课,因为在越来越多情境下,视觉化将成...转载 2017-06-03 18:09:10 · 5695 阅读 · 0 评论 -
各种机器学习的应用场景分别是什么
作者:xyzh链接:https://www.zhihu.com/question/26726794/answer/151282052来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。写给懒得看的人:没有最好的分类器,只有最合适的分类器。随机森林平均来说最强,但也只在9.9%的数据集上拿到了第一...转载 2017-11-02 13:14:06 · 1876 阅读 · 0 评论 -
阿里天池_优秀策略答辩PPT和相关博客
简介前段时间想熟悉下机器学习完整项目,选择了阿里之前的一个相对实际的移动推荐项目(实际是分类,并非推荐),有兴趣自己研究。将本人参考借鉴的blog和ppt做了简单整理回顾。加深下印象阿里天池大数据之移动推荐算法大赛总结及代码全公布地址:http://blog.csdn.net/datuqiqi/article/details/46834579#1, 找规则,买过不会再买...原创 2017-06-03 17:37:51 · 4540 阅读 · 1 评论 -
HMM一文搞懂HMM(隐马尔可夫模型)
什么是熵(Entropy)简单来说,熵是表示物质系统状态的一种度量,用它老表征系统的无序程度。熵越大,系统越无序,意味着系统结构和运动的不确定和无规则;反之,,熵越小,系统越有序,意味着具有确定和有规则的运动状态。熵的中文意思是热量被温度除的商。负熵是物质系统有序化,组织化,复杂化状态的一种度量。熵最早来原于物理学. 德国物理学家鲁道夫·克劳修斯首次提出熵的概念,用来表示任何一种能量在空间...转载 2017-06-03 17:28:13 · 2173 阅读 · 0 评论 -
Adaboost 算法的原理与推导
转自:http://blog.csdn.net/v_july_v/article/details/40718799 Adaboost 算法的原理与推导0 引言 一直想写Adaboost来着,但迟迟未能动笔。其算法思想虽然简单:听取多人意见,最后综合决策,但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午,在我组织的机器学习班第8次课上讲决...转载 2017-06-02 09:45:57 · 1750 阅读 · 0 评论 -
处理数据不均衡的策略
数据不均衡往往可以导致一些问题,比如对一个两类分类问题,如果训练集中的正负样本比例为99:1,那么直接将所有样本都分为正样本,模型的准确度也可以达到99%。准确度通常是我们衡量一个模型性能的基本指标(starting point),但是它有时候并不客观(misleading),这个可以参考accuracy paradox。但其实这个训练的模型并没有什么用。那么在训练集中数据不均衡的条件下,如果避免...转载 2017-06-02 09:45:43 · 1977 阅读 · 0 评论 -
从gbdt到xgboost
gbdt(又称Gradient Boosted Decision Tree/Grdient Boosted Regression Tree),是一种迭代的决策树算法,该算法由多个决策树组成。它最早见于yahoo,后被广泛应用在搜索排序、点击率预估上。 xgboost是陈天奇大牛新开发的Boosting库。它是一个大规模、分布式的通用Gradient Boosting(GBDT)库,...转载 2017-06-01 16:16:29 · 1509 阅读 · 0 评论 -
决策树剪枝算法(二)
转自:http://www.cnblogs.com/starfire86/p/5749334.html上一章主要描述了ID3算法的的原理,它是以信息熵为度量,用于决策树节点的属性选择,每次优选信息量最多的属性,以构造一颗熵值下降最快的决策树,到叶子节点处的熵值为0,此时每个叶子节点对应的实例集中的实例属于同一类。理想的决策树有三种:1.叶子节点数最少2.叶子加点深度最小...转载 2017-06-01 16:15:05 · 3441 阅读 · 0 评论 -
决策树之C4.5(详细版终结版)
转自:http://www.aiuxian.com/article/p-2509877.html1. C4.5算法简介 C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习:给定一个数据集,其中的每一个元组都能用一组属性值来描述,每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习,找到一个从属性值到类别的映射关系,并且这个映射能...转载 2017-06-01 16:13:46 · 3072 阅读 · 0 评论 -
决策树之CART算法
本文转自http://blog.csdn.NET/acdreamers/article/details/44664481,所有权力归原作者所有。在之前介绍过决策树的ID3算法实现,今天主要来介绍决策树的另一种实现,即CART算法。Contents 1. CART算法的认识 2. CART算法的原理 3. CART算法的实现1. CART算...转载 2017-06-01 16:11:16 · 7891 阅读 · 1 评论 -
决策树之ID3,C4.5
转自:http://www.cnblogs.com/leoo2sk/archive/2010/09/19/decision-tree.html3.1、摘要 在前面两篇文章中,分别介绍和讨论了朴素贝叶斯分类与贝叶斯网络两种分类算法。这两种算法都以贝叶斯定理为基础,可以对分类及决策问题进行概率推断。在这一篇文章中,将讨论另一种被广泛使用的分类算法——决策树(decisio...转载 2017-06-01 16:08:50 · 1527 阅读 · 0 评论 -
使用Apriori算法和FP-growth算法进行关联分析
转载自:http://www.cnblogs.com/qwertWZ/p/4510857.html(谢谢王先生)目录1. 关联分析 2. Apriori原理 3. 使用Apriori算法来发现频繁集 4. 使用FP-growth算法来高效发现频繁项集 5. 示例:从新闻网站点击流中挖掘新闻报道 扩展阅读系列文章:《机器学习实战》学习笔记最近看了《机器学习实战》中的第11章(...转载 2017-06-01 16:00:50 · 2883 阅读 · 0 评论 -
蒙特卡罗方法
转自:阮一峰的网络日志 :http://www.ruanyifeng.com/blog/2015/07/monte-carlo-method.html本文通过五个例子,介绍蒙特卡罗方法(Monte Carlo Method)。一、概述蒙特卡罗方法是一种计算方法。原理是通过大量随机样本,去了解一个系统,进而得到所要计算的值。它非常强大和灵活,又相当简单易懂,很容易实现。对于...转载 2017-06-01 15:59:17 · 1651 阅读 · 0 评论 -
增强学习Q-learning 算法的简明教程
第一部分:中文翻译第二部分:英文原文转载 2017-06-01 15:57:59 · 6668 阅读 · 4 评论