一文读完GitHub30+篇顶级机器学习论文（附摘要和论文下载地址）

最新推荐文章于 2023-08-10 22:42:08 发布
最新推荐文章于 2023-08-10 22:42:08 发布
阅读量378 收藏 4
点赞数
文章标签： 人工智能
原文链接：https://yq.aliyun.com/articles/261115
版权

学术领域，最新的机器学习技术都做到了什么水平？Github上有一个开源项目，专门用于更新最新的研究突破，具体说来，就是什么算法在哪一个数据集上取得了state-of-the-art 的成果。大类包括：监督学习、半监督学习和无监督学习、迁移学习、强化学习，小类包括语音、计算机视觉和NLP。

这一份列表几乎囊括了2017年机器学习领域所有最重大的突破，从微软对话语音识别错误率将至5.1%、到Hinton掀起深度学习革命的Capsule 网络、再到谷歌的“一个模型学习所有”“Attention is all you need”以及Facebook在机器翻译上的屡次突破，以及让大家兴奋的AlphaGo Zero。

这不仅仅是一份论文和代码资源的列表，更是2017年机器学习和人工智能里程碑的表单，在这里，你可以读懂2017机器学习领域究竟在哪些方向上取得了突破，各大前沿机构和学术大牛们在哪些方向上发力。

作者说：“本库为所有机器学习问题提供了当前最优结果，并尽最大努力使库保持随时更新状态”，我们也同样期待这一列表不断更新，出现更多让人拍案叫绝的最新研究成果，将人工智能不断往前推进。

最新更新时间：2017年11月17日

本库的分类如下：

  • 监督学习

  1.  Speech
  2. 计算机视觉
  3. NLP

  • 半监督学习：计算机视觉
  • 无监督学习

  1. Speech
  2. 计算机视觉
  3. NLP

  • 迁移学习
  • 强化学习

监督学习

bab7fb3f8eb4d09d97d4c927f4ced5fb555933f4

NLP

1. 语言建模

  • 论文：BREAKING THE SOFTMAX BOTTLENECK: A HIGH-RANK RNN LANGUAGE MODEL

地址：https://arxiv.org/pdf/1711.03953.pdf

本文将语言建模作为一个矩阵分解问题，并表明基于Softmax的模型（包括大多数神经语言模型）的表达受到Softmax瓶颈的限制。 鉴于自然语言高度依赖于上下文，这意味着在实践中Softmax与分布式词嵌入没有足够的能力来建模自然语言。 本文提出了一个简单有效的解决方法，并且将Penn Treebank和WikiText-2中的perplexities分别提高到47.69和40.68。

  • 论文：DYNAMIC EVALUATION OF NEURAL SEQUENCE MODELS

地址：https://arxiv.org/pdf/1709.07432.pdf

本文提出使用动态评估来改进神经序列模型的性能。 模型通过基于梯度下降的机制适应最近的历史，将以更高概率分配给重新出现的连续模式。动态评估将Penn Treebank和WikiText-2数据集上的perplexities分别提高到51.1和44.3。

  • 论文：Averaged Stochastic Gradient Descent with Weight Dropped LSTM or QRNN

地址：https://arxiv.org/pdf/1708.02182.pdf

提出了使用DropConnect作为经常正则化形式的权重下降的LSTM。此外，本文引入NT-ASGD，平均随机梯度方法的变体，其中平均触发是使用非单调条件确定的，而不是由用户调整。使用这些和其他正则化策略，本文在两个数据集上实现了state-of-the-art word level perplexities：Penn Treebank上的57.3和WikiText-2上的65.8。在结合我们提出的模型探索神经缓存的有效性时，在Penn Treebank上实现了更低的52.8的state-of-the-art word level perplexities，而在WikiText-2上达到了52.0。

  • 论文：FRATERNAL DROPOUT

地址：https://arxiv.org/pdf/1711.00066.pdf

提出一个叫做fraternal dropout的技术。首先用不同的dropout mask训练两个同样的RNN，并最小化预测差异。本文评估了提出的模型，并在Penn Treebank和Wikitext-2上达到了当前最优结果。

  • 论文：Factorization tricks for LSTM networks

地址：https://arxiv.org/pdf/1703.10722.pdf

提出了两个带映射的LSTM修正单元，来减少参数数量和加快训练速度。

b767667554d9aba77d4a313a6bbcafea41fd24b5

2. 机器翻译

  • 论文：WEIGHTED TRANSFORMER NETWORK FOR MACHINE TRANSLATION

地址：https://arxiv.org/pdf/1711.02132.pdf

在WMT 2014英德翻译任务和英法翻译任务中，模型的性能分别提高了0.5 BLEU points和0.4。

  • 论文：Attention Is All You Need

地址：https://arxiv.org/abs/1706.03762

在WMT 2014英德翻译任务和英法翻译任务中，模型的性能分别提高到28.4 BLEU points和41.0 BLEU points。

  • 论文：NON-AUTOREGRESSIVE NEURAL MACHINE TRANSLATION

地址：https://einstein.ai/static/images/pages/research/non-autoregressive-neural-mt.pdf

  • 论文：Improving Neural Machine Translation with Conditional Sequence Generative Adversarial Nets

地址：https://arxiv.org/abs/1703.04887

3. 文本分类

  • 论文：Learning Structured Text Representations

地址：https://arxiv.org/abs/1705.09207

提出了学习结构化的文本表征，关注在没有语篇分析和额外标注资源下学习结构化的文本表征。在Yelp数据集的准确率达到68.6。

  • 论文：Attentive Convolution

地址：https://arxiv.org/pdf/1710.00519.pdf

本文提出了AttentiveConvNet，通过卷积操作，拓展文本处理的范围。从本地上下文和非本地上下文提取出的信息来得到单词更高级别的特征。在Yelp数据集的准确率达到67.36。

4. 自然语言推理

  • 论文：NATURAL LANGUAGE INFERENCE OVER INTERACTION SPACE

地址：https://arxiv.org/pdf/1709.04348.pdf

介绍了交互式推理网络(IIN)，这是一种新型的神经网络架构，能够实现对句子的高层次的理解。我们证明了一个交互张量包含了语义信息以解决自然语言推理。准确率达88.9。

5. 问题回答

  • 论文：Interactive AoA Reader+ (ensemble)

地址：https://rajpurkar.github.io/SQuAD-explorer/

斯坦福问答数据集(SQuAD)是一个新兴阅读理解数据集，其问答基于维基百科，由众包方式完成。

6. 命名实体识别

  • 论文：Named Entity Recognition in Twitter using Images and Text

地址：https://arxiv.org/pdf/1710.11027.pdf

论文提出了一种新型的多层级架构，该架构并不依赖于具体语言学的资源和解码规则。模型在Ritter数据集上F-measure的表现为0.59。

7. 依存关系句法分析

  • 论文：Globally Normalized Transition-Based Neural Networks

地址：https://arxiv.org/pdf/1603.06042.pdf

本文提出了以全球标准化的基于转换的神经网络模型，实现了语音标记、依存关系句法分析和句子压缩的当前最优结果。UAS准确度为94.08%，LAS准确度为92.15%。

  • 计算机视觉

分类

  • 论文：Dynamic Routing Between Capsules

地址：https://arxiv.org/pdf/1710.09829.pdf

Capsule 是一组神经元，其输入输出向量表示特定实体类型的实例化参数我们使用输入输出向量的长度表征实体存在的概率，向量的方向表示实例化参数（即实体的某些图形属性）。同一层级的 capsule 通过变换矩阵对更高级别的 capsule 的实例化参数进行预测。

  • 论文：High-Performance Neural Networks for Visual Object Classification

地址：https://arxiv.org/pdf/1102.0183.pdf

摘要：论文中提出了一种卷积神经网络变体的快速全可参数化的 GPU 实现。在 NORB 数据集上效果不错，测试误差在2.53 ± 0.40。

  • 论文：ShakeDrop regularization

地址：https://openreview.net/pdf?id=S1NHaMW0b

  • 论文：Aggregated Residual Transformations for Deep Neural Networks

地址：https://arxiv.org/pdf/1611.05431.pdf

  • 论文：Random Erasing Data Augmentation

地址：https://arxiv.org/abs/1708.04896

  • 论文：Learning Transferable Architectures for Scalable Image Recognition

地址：https://arxiv.org/pdf/1707.07012.pdf

  • 论文：Squeeze-and-Excitation Networks

地址：https://arxiv.org/pdf/1709.01507.pdf

  • 论文：Aggregated Residual Transformations for Deep Neural Networks

地址：https://arxiv.org/pdf/1611.05431.pdf

2. 实例分割

  • 论文：Mask R-CNN

地址：https://arxiv.org/pdf/1703.06870.pdf

论文提出一个概念上简单灵活通用的物体分割框架。这种叫做Mask R-CNN的方法，拓展了Faster RNN。在COCO数据集上的平均精准度达到37.1%。

3. 视觉问题回答

  • 论文：Tips and Tricks for Visual Question Answering: Learnings from the 2017 Challenge

地址：https://arxiv.org/abs/1708.02711

提出了视觉问答的最新模型，在2017VOA挑战中获得冠军。整体分数达到69。

语音

  1. ASR (语音识别）

论文：微软2017年发布的对话语音识别系统

数据集： Switchboard Hub5'00

错误率：5.1%

论文地址：https://arxiv.org/pdf/1708.06073.pdf

微软在官方的介绍是：改进语音模型引入了 CNN-BLSTM（convolutional neural network combined with bidirectional long-short-term memory）。另外，在 frame/senone 和词语层面都使用了结合多个声学模型的预测的方法。 通过使用整个对话过程来加强识别器的语言模型，以预测接下来可能发生的事情，使得模型有效地适应了对话的话题和语境。

半监督学习

论文：使用虚拟对抗训练实现分布式顺滑 （2016年）

数据集：SVHN NORB

错误率：24.63（SVHN ）9.88 （NORB）

论文地址：https://arxiv.org/pdf/1507.00677.pdf

作者提出了一个局部分布顺滑的概念，作为一个正则化的项目，来提升模型分布的顺滑。

论文： 虚拟对抗训练: 一个面向监督和半监督的正则化方法 （2017年）

数据集：MNIST

错误率：1.27

论文地址：https://arxiv.org/pdf/1704.03976.pdf

论文： 用GAN生成非标签样本 （2017年）

数据集&准确率：

  • Market-1501 （Rank-1: 83.97 mAP: 66.07）
  • CUHK-03 （Rank-1: 84.6 mAP: 87.4）
  • DukeMTMC-reID（ Rank-1: 67.68 mAP: 47.13）
  • CUB-200-2011（Test Accuracy: 84.4）

论文地址： https://arxiv.org/pdf/1701.07717.pdf

无监督学习

计算机视觉 ：生成模型

  • 论文：PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION （2017年）

数据集： Unsupervised CIFAR 10

得分：8.80

论文地址：https://arxiv.org/pdf/1704.03976.pdf

Progressive Growing of GANs for Improved Quality, Stability, and Variation”。其中“Progressive Growing”指的是先训练4x4的网络，然后训练8x8，不断增大，最终达到1024x1024。作者使用的数据集以CelebA为基础，还进行了额外的处理，包括超分辨率、模糊背景、对齐。

机器翻译

  • 论文： 无监督机器翻译：是使用单语语料（2017年）

数据集：WMT16 (en-fr fr-en de-en en-de) ；Multi30k-Task1(en-fr fr-en de-en en-de)

得分： BLEU:(32.76 32.07 26.26 22.74)；BLEU:(15.05 14.31 13.33 9.64)

论文地址 ：https://arxiv.org/pdf/1711.00043.pdf

作者提出了一种新的神经机器翻译方法，其中翻译模型仅使用单语言数据集学习，句子或文档之间没有任何对齐。这个方法的原理是从一个简单的无监督逐字翻译模型开始，并基于重构损失迭代地改进这个模型，并且使用鉴别器来对齐源语言和目标语言的潜在分布。

0b21f5113a13fe7607fa60d0bb2da6cb452a8e26

迁移学习

  • 论文：一个模型学习一切（2017年）

数据集：WMT EN → DE ；WMT EN → FR (BLEU)；ImageNet (top-5 accuracy)

得分&准确率：BLEU: 21.2；BLEU:30.5；86%

论文地址 ： https://arxiv.org/pdf/1706.05137.pdf

作者提出了一个多模型适用的架构 MultiModel，用单一的一个深度学习模型，学会各个不同领域的多种不同任务。

强化学习

  • 论文：无需人类知识掌握围棋

数据集：the game of Go

ElO Rating: 5185

代码：https://github.com/gcp/leela-zero

论文地址 ：http://www.gwern.net/docs/rl/2017-silver.pdf

迄今最强最新的版本AlphaGo Zero，使用纯强化学习，将价值网络和策略网络整合为一个架构，3天训练后就以100比0击败了上一版本的AlphaGo

作者的说明：本库为所有机器学习问题提供了当前最优结果，并尽最大努力使库保持随时更新状态。 如果用户发现某个问题的当前最优结果结果已过时或缺失，请提出此问题，并附带以下信息：研究论文名称、数据集、度量标准，源代码和年份）。 我们会立即解决。

我们试图让所有类型的机器学习问题有最新结果。 我无法单独做这件事，因此需要大家的帮助。 如果读者发现数据集的当前最优结果，请提交Google表单或提出问题。 请在Twitter，Facebook和其他社交媒体上分享。


原文发布时间为：2017-11-21

本文作者：常佩琦 弗格森

本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号

原文链接：一文读完GitHub30+篇顶级机器学习论文（附摘要和论文下载地址）

weixin_34318272
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习论文合集（pdf格式）.zip
03-10
25篇机器学习经典论文合集，有需要欢迎积分自取 Efficient sparse coding algorithms论文附有代码 [1] Zheng S, Kwok J T. Follow the moving leader in deep learning[C]//Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017: 4110-4119. [2] Kalai A, Vempala S. Efficient algorithms for online decision problems[J]. Journal of Computer and System Sciences, 2005, 71(3): 291-307. [3] Kingma, D. and Ba, J. Adam: A method for stochastic optimization. In Proceedings of the International Conference for Learning Representations, 2015. [4] Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms[C]//Advances in neural information processing systems. 2007: 801-808. [5] Fan J, Ding L, Chen Y, et al. Factor Group-Sparse Regularization for Efficient Low-Rank Matrix Recovery[J]. 2019. [6] Z. Lai, Y. Chen, J. Wu, W. W. Keung, and F. Shen, “Jointly sparse hashing for image retrieval,” IEEE Transactions on Image Processing, vol. 27, no. 12, pp. 6147–6158, 2018. [7] Z. Zhang, Y. Chen, and V. Saligrama, “Efficient training of very deep neural networks for supervised hashing,” in Proc. IEEE Int. Conf. Computer Vision and Pattern Recognition, 2016, pp. 1487–1495. [8] Wei-Shi Zheng, Shaogang Gong, Tao Xiang. Person re-identification by probabilistic relative distance comparison[C]// CVPR 2011. IEEE, 2011. [9] Liao S, Hu Y, Zhu X, et al. Person re-identification by local maximal occurrence representation and metric learning[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 2197-2206. [10] Liu X, Li H, Shao J, et al. Show, tell and discriminate: Image captioning by self-retrieval with partially labeled data[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 338-354. [11] Yao T, Pan Y, Li Y, et al. Exploring visual relationship for image captioning[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 684-699. [12] Chao Dong, Chen Change Loy, Kaiming He, and Xiaoou Tang., ”Image Super-Resolution Using Deep Convolutional Networks, ” IEEE Transactions on Pattern Analysis and Machine Intelligence, Preprint, 2015. [13] M. D. Zeiler, D. Krishnan, Taylor, G. W., and R. Fergus, "Deconvolutional networks," in Proc. IEEE Comput. Soc. Conf. Comput. Vision Pattern Recog., 2010, pp. 2528-2535. [14] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587. [15] Girshick R . Fast R-CNN[J]. Computer Science, 2015. [16] Joseph Redmon, Santosh Divvala, Ross Girshick, et al. You Only Look Once: Unified, Real-Time Object Detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016. [17] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. [18] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. science, 2006, 313(5786): 504-507. [19] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105. [20] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//European conference on computer vision. Springer, Cham, 2014: 818-833. [21] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9. [22] Wu, Y., & He, K. (2018). Group normalization. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 3-19). [23] Goodfellow I,Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680. [24] Tran, L., Yin, X., & Liu, X. (2017). Disentangled representation learning gan for pose-invariant face recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1415-1424). [25] Pu, Y., Gan, Z., Henao, R., Yuan, X., Li, C., Stevens, A., & Carin, L. (2016). Variational autoencoder for deep learning of images, labels and captions. In Advances in neural information processing systems (pp. 2352-2360).
机器学习---结课论文
qq_25368751的博客
04-18 5329
机器学习与隐私保护结课论文摘 要：随着大数据时代的到来，时间序列数据在各个领域被广泛应用。然而，如何在利用这些数据的同时保护用户隐私成为了一个亟待解决的问题。本文回顾了时间序列数据的基本概念及其在机器学习中的应用，并总结了当前面临的隐私保护问题及已有的解决方案。接着，分析了这些解决方案的不足之处，并提出了新的隐私保护方法。最后，展望了未来研究方向。本文旨在为时间序列数据的隐私保护提供一个全面的概述，为未来相关研究奠定基础。关键词: 时间序列数据；机器学习；隐私保护；差分隐私；安全多方计算；
机器学习 TOP 10 必读论文
热门推荐
两只橙的博客
12-29 1万+
Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名，整理出了10篇必读论文，建议收藏深读。1、 Alpha Zero：用强化学习算法对中国象棋和国际象棋进行自我修炼（本论文作者包括DeepMind创始人Demis Hassabis）https://arxiv.org/pdf/1712.01815.pdf2、 高分辨率图像合成和有条件的GANs的语义处理
25篇经典机器学习论文的分类
LLL_mg的博客
03-10 7354
25篇经典机器学习论文的分类 前言 放假当咸鱼的时候学校要求阅读论文文献，老板找了25篇比较经典的模式识别与机器学习相关的论文要求阅读，作为对人工智能一无所知且前半生学术生涯全贡献给通信的半路出家和尚，内心是茫然无措的，如何阅读论文也是两眼一蒙黑。 ddl快到了，再不读就没时间了，冷静下来决定先将这25篇论文分个类，皇上挑妃在这里插入代码片子都要分类，论文当然分一下才好看嘛！ 分类 我们其实可以发...
机器学习类论文撰写框架
百般回首曾经的相遇，留下的只是一缕残忆
10-12 1943
机器学习类论文撰写框架。
机器学习算法代码-GitHub上开源的
05-19
我在GitHub上找的开源的，跟唐宇di机器学习算法课程里面差不多，包含自定义的features，如prepare_for training, generate_polynomial, generate_sinusoids, normalize; from utils.features import prepare_for_...
最新30个最炙手可热的GitHub 机器学习开源项目简介及链接
01-19
### 最新30个最炙手可热的GitHub机器学习开源项目详解 #### 概述 随着技术的进步，机器学习已成为计算机科学领域的热门话题之一。为了帮助开发者和研究人员更好地掌握最新的技术动态，Mybridge发布了2017年度全球...
火爆GitHub：100天搞定机器学习编程（超赞信息图+代码+数据集）
09-10
这个100天搞定机器学习编程的项目，现在已经是爆红GitHub，很快累积了3000多标星，在Twitter上，也有一大票人热捧这个项目。 同是百天计划，这个有什么特别之处？三点： 1、超赞的学习图片 2、配套的代码 3、...
【机器学习、深度学习入门、进阶、深入指南】每一阶段必读论文arxiv.org免费下载链接+课程链接+github代码链接
01-14
你可以会想知道如何从哪篇论文开始阅读学习，人工智能研究专家Flood Sung制定了这一份详细的paper list，包括深度学习历史和基础知识、深度学习方法（涉及模型、优化、无监督学习、RNN、深度强化学习等）、深度学习...
li-aolong#li-aolong.github.io#《机器学习》1
07-25
第2章 模型评估与选择评估方法留出法交叉验证自助法/可重复采样：数据集较小、难以有效划分训练/测试集时性能度量分类任务错误率与精度（正确率，accuracy）查
机器学习结课论文-期望最大化（EM）.docx
08-31
期望最大化算法(Expectation-maximization algorithm)是机器学习中一个非常重要的算法，又称作 EM 算法。EM算法是由Dempster等人1977年提出的统计模型参数估计的一种算法。它采用的迭代交替搜索方式可以简单有效的求解最大似然函数估计问题。已知的概率模型内部存在隐含的变量，导致了不能直接用极大似然法来估计参数，EM算法就是通过迭代逼近的方式用实际的值带入求解模型内部参数的算法。它在当代的工业、商业和科学研究领域发挥了重要的作用。
机器学习方面的参考论文
Abrohambaby的博客
03-04 3813
机器学习在 只能军事化领域、环境监测、自适应系统 以及 生成对抗网络 方面的文章。
机器学习概论
枯荣
10-06 3221
机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 基本简介 学习能力是智能行为的一个非常重要的特征，     但至今对学习的机理尚不清楚。人们曾对机器
机器学习高质量的论文（玩转机器学习）
tianxieeryang的博客
10-31 2056
NIPS人工智能顶级论文： https://papers.nips.cc/ PMLR人工智能顶级论文： http://proceedings.mlr.press/index.html 神经网络游乐场： http://playground.tensorflow.org/
机器学习论文浅读:TimesNet
thorn_r的博客
05-01 4462
简单介绍了TimesNet的模型架构：通过傅里叶变换提取周期，将一维的时间序列转化为n个周期并排的二维序列，以此能够使用二维卷积以及类ResBlock的结构提取特征，在短期、长期预测、分类、异常检测以及缺失值处理这5个任务上都展现出了超越其他模型的效果。
机器学习模型是记忆还是泛化？论文摘要
明明如月的技术博客
08-10 528
文章探讨了机器学习模型在训练过程中是如何从记忆训练数据转变为正确泛化未见输入的现象。这一现象被称为“grokking”，自 2021 年研究人员在一系列小型模型上的发现后引起了广泛关注。文章通过观察小型模型的训练动态，揭示了这一现象的机制，并探讨了如何将这些技术应用于当前的大型模型。文章还通过模块加法（Modular Addition）的例子，详细解释了“grokking”现象，并展示了如何通过权重衰减、神经元数量、训练样本等超参数的调整来实现模型的记忆和泛化。
什么是IEEE、EI、SCI？
CBCY_csdn的博客
01-01 4587
Instituteof Electrical and Electronics Engineers (IEEE) 美国电气和电子工程师协会。美国电气和电子工程师协会(IEEE)是一个国际性的电子技术与信息科学工程师的协会，是世界上最大的专业技术组织之一。EI是工程索引（The Engineering Index）的缩写。EI在全球的学术界、工程界、信息界中享有盛誉，是科技界共同认可的重要检索工具，主要收录工程技术领域的重要文献，包括期刊、会议文献、科技报告、专著等，与SCI、ISTP统称为国际三大核心期刊。
机器学习 监督学习论文_机器学习-无监督学习概论
weixin_39748183的博客
01-14 275
无监督学习1 无监督学习基本原理无监督学习：从无标注的数据中学习数据的统计规律或者说内在结构的机器学习，主要包括聚类、降维、概率估计，对应的输出是类别，转换，概率无监督学习的模型：函数（硬聚类），条件概率分布（软聚类）或条件概率分布（概率模型估计）定义训练数据集：其中，表示第个向量的第维；；；训练数据可以用矩阵表示，矩阵的每一行对应特征，每一列对应一个样本2 聚类发现数据集中的纵向结构，输入空间为...
github机器学习
最新发布
09-06
GitHub 上有许多优秀的机器学习项目，你可以通过搜索来找到你感兴趣的项目。一些热门的机器学习项目包括 TensorFlow、PyTorch、Scikit-learn等。可以通过浏览这些项目的代码、文档和示例来学习和应用机器学习算法。此外，还有一些开源的机器学习工具和库，例如数据处理工具 pandas、可视化工具 Matplotlib 和 Seaborn等。希望这些信息对你有所帮助！如果你需要更具体的信息，请告诉我。
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