AI人工智能
文章平均质量分 70
相关知识介绍
研发咨询顾问
专注全栈开发和项目管理,诚接商务\业务合作,及问题难点解答和远程协助! 可私信或留言给作者,消息会在6小时内回复哦 (每篇文章末尾有作者名片,可添加联系,秒通过)
展开
-
深度学习的安卓恶意文本应用检测
这是因为本方法将权限、acton类、api类等信息合理运用. 采用适宜的特征信息向量化方式'运用深度学习可获得应用深层特征的能力'实现了较好检测的效果。本文提出的方法将应用静态信息表示为文本形式,输入深度卷积网络模型,即可从特征信息序列中学到指示恶意软件的功能*'从而使文本分类神经网络适于本方法。系统有一个权限控制系统'用户可在安装或者使用的过程中对某应用的权限进行合理控制'限定控制权限在用户手中'。典型的静态检测方法在没有运行应用或者安装应用的情况下'通过对应用程序中的代码内容采用源代码的静态分析。原创 2023-05-28 13:40:23 · 549 阅读 · 0 评论 -
线性代数介绍和矩阵运算
2] AXB,那么有A矩阵m ×n, B矩阵n×k,要求左侧矩阵的列数n,必须等于右侧矩阵的行数n,结果矩阵C为m ×k矩阵。j= 1,2,...,n)排成的m行n列的数表A就称为m行n列的矩阵。[1] 对于n阶方阵A,如果有一个n阶方阵B,使得AB=BA=E就称矩阵A是可逆的,并把B称为A的逆矩阵。(1)把矩阵A的行换成相同序数的列,得到一个新矩阵,叫做A的转置矩阵,记作A^T,T表示转置。(3)m×n矩阵A可以记作Am×n,其中m是行数,n是列数,m, n >0。(2)矩阵与矩阵相乘。原创 2023-03-30 10:12:17 · 783 阅读 · 1 评论 -
综合评价法与权重方法汇总
综合考虑数据波动情况和指标间的相关性,适合指标主自身带有一定相关性和波动性的数据。但对样本的依赖性较大,随着样本数据的变化,权重会有一定的波动。其思想在于利用数据的变异系数进行权重赋值,如果变异系数越大,说明其携带的信息越大,因而权重也会越大。指标较多时降维得到具有可解释性的因子权重,也可单独得到各指标权重,但需要大量的样本数据。如果说某指标与其它指标的相关性很强,说明信息有着较大的重叠,意味着该指标的权重会比较低。适用于指标较多时降维得到主成分权重,也可单独得到各指标权重,但需要大量的样本数据。原创 2023-03-30 10:04:03 · 416 阅读 · 0 评论 -
推荐系统的算法分类和操作流程介绍
1)基于内容(Content based, CB)主要利用的是用户评价过的物品的内容特征,而CF方法还可以利用其他用户评分过的物品内容。[2] 切换混合:切换的混合方式,就是允许在不同的情况(数据量,系统运行状况,用户和物品的数目等)下,选择最为合适的推荐机制计算推荐。[4] 分层混合:采用多种推荐机制,并将一个推荐机制的结果作为另一个的输入,从而综合各个推荐机制的优缺点,得到更加准确的推荐。"实际正确被检索到的item"占"所有应该被检索到的item"的比例R=20/ (20 + 0) = 100%。原创 2023-03-30 09:58:10 · 664 阅读 · 0 评论 -
有监督学习的模型评估和选择
(1)梯度下降(gradient descent)是一种常用的一阶优化方法,是求解无约束优化问题最简单、最经典的方法之一。(4)损失函数是系数的函数,那么如果系数沿着损失函数的负梯度方向变化,此时损失函数减少最快,能够以最快速度下降到极小值。(2)从上面的解释可以看出,梯度下降不一定能够找到全局的最优解,有可能是一个局部最优解。(3)负梯度方向:函数变化减少最快的方向(变量沿此方向变化时函数减少最快)(2)梯度方向:函数变化增长最快的方向(变量沿此方向变化时函数增长最快)3)下面是本人画的流程图。原创 2023-03-30 09:44:29 · 91 阅读 · 0 评论 -
有监督学习和无监督学习区别
2] 无监督学习-聚类算法是把 "所有对象" 按照具体特征组织 "拆分到若干个类别" (分类别却不是提取预定义的)[1] 有监督学习-分类算法是把 "某个对象" 划分到某个具体的 "已经定义的类别" (分类的类别是提取预定义的)[2] 无监督学习-聚类算法,是吧每来一个或多个对象都可能打乱的模型,然后对分类重开始新的拆分计算。[1] 有监督学习的目的是在训练集中找规律,然后对测试数据运用这种规律,然后在预测未来的事件。[1] 有监督学习要实现的目标是“对于输入数据X能预测变量Y”(有答案和方法的学)。原创 2023-03-29 09:31:34 · 1174 阅读 · 0 评论 -
机器学习与深度学习的算法分类
专门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。(1)机器学习(Machine Learning, ML)主要研究计算机系统对于特定任务的性能,逐步进行改善的算法和统计模型。(2)通过输入海量训练数据对模型进行训练,使模型掌握数据所蕴含的潜在规律,进而对新输入的数据进行准确的分类或预测。1)有监督学习(或叫监督学习): 提供数据并提供数据对应结果的机器学习过程。2)无监督学习: 提供数据并且不提供数据对应结果的机器学习过程。原创 2023-03-28 10:01:11 · 287 阅读 · 0 评论 -
机器学习与深度学习介绍
例如,我们用深度学习方法来批改论文,也许我们训练出来的模型对论文评分都十分的准确,但是我们无法理解模型到底是啥规则,这样的话,那些拿了低分的同学找你质问“凭啥我的分这么低啊?这也是深度学习十分引人注目的一点,毕竟特征工程是一项十分繁琐、耗费很多人力物力的工作,深度学习的出现大大减少了发现特征的成本。但是机器学习不一样,比如决策树算法,就可以明确地把规则给你列出来,每一个规则,每一个特征,你都可以理解。但是这不是深度学习的错,只能说它太牛逼了,人类还不够聪明,理解不了深度学习的内部的特征。原创 2023-03-27 20:33:22 · 317 阅读 · 1 评论