过程挖掘入门课程——目前找到的几乎唯一中文课程

最新推荐文章于 2024-11-06 10:55:54 发布
最新推荐文章于 2024-11-06 10:55:54 发布
阅读量97 收藏
点赞数
文章标签： Petri网 模型理论 并发系统 分布式计算 系统建模
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/weixin_52121548/article/details/117935252
版权

链接: [link]https://www.xuetangx.com/learn/THU08091000662/THU08091000662/5882450/video/9124213
《Petri网：模型、理论与应用》

数据挖掘课程作业.zip数据挖掘课程作业.zip
10-06
数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip数据挖掘课程作业.zip...
第十讲-流程挖掘（Process Mining）学习日志之遗传过程挖掘
智潮先锋聚集地
04-25 853
介绍了流程挖掘中使用遗传过程挖掘的算法
过程挖掘（Process Mining）2——入门：要素、基本概念与三大类型
hyhy12580的博客
02-11 7854
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
一个完整的数据分析、挖掘流程详细介绍
热门推荐
Together_CZ的博客
06-21 1万+
完整的数据分析、挖掘流程简介 这是在一次面试过程中遇到的一个问题，自己回答了个大概，但是缺少了一部分的东西，所以就抽时间查阅了一些相关的资料来总结了一下，也算是自己的一个学习过程了。 一个完整的数据分析或者是数据挖掘过程包括许多个不同的阶段，每个阶段的作用都不相同但却密不可分，下面简单对自己理解总结的一个完整的分析挖掘流程中的各个阶段进行简单介绍。 一个完整的分析挖掘流程大致包括以下几个方面： ...
董飞老师的大数据入门课程 基础入门课程 共47页.pptx
08-21
在这个由董飞老师提供的大数据入门课程中，我们将深入理解大数据的核心概念、相关技术和实际应用，特别是通过Hadoop和Spark这两个重要的大数据处理框架。 首先，硅谷高科技公司如LinkedIn等在大数据领域持续创新，...
国科大文本数据挖掘课程大作业
04-29
国科大文本数据挖掘课程大作业，实现一个情感分类系统，分别采用情感词典法、传统的机器学习方法和深度学习方法实现情感分类，并对比性能。 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、...
机器学习—矩阵乘法
最新发布
yn3535_的博客
11-06 374
让我们来看看向量矩阵乘法，也就是当你把一个向量乘以一个矩阵，又得到一个向量，列向量a转置后得到行向量a，所以与其把这看作是一个2×1的矩阵，转置后就变成了1×2的矩阵，现在用这四个元素创建一个2×2的矩阵w，如果你想计算Z，Z=a转置W，结果z是一个2×1的矩阵，计算z的第一个值，我们要做一个a转置乘w1，所以要计算z的第一个元素，最终得到(1*3)+(2*4),然后计算第二个元素，现在将转置乘w2，，所以计算第二个元素，最终得到(1*5)+(2*6)。如何在向量之间取点积？
【机器学习】18. 反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
weixin_48846514的博客
11-01 1088
反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
机器学习—推理:做出预测(前向传播)
yn3535_的博客
11-01 331
这是一对零的可能性有多大，所以让我们逐步通过计算的序列，神经网络将需要从输入X这个8乘8或64个数字到预测概率a3，第一个计算是从X到1，这就是第一层或第一层隐藏层的作用，它对上标方括号进行计算，25代表这个隐层有25个单元，所以参数从W1到W25以及b1到b25，但也可以在这里写一个，因为按照惯例，零层的激活，即。最后一步是计算三，我们使用一个非常相似的计算来做到这一点，只是现在是第三层，输出层只有一个单元，所以这里只有一个输出所以3只是一个标量，你可以选择下标1，把它设为0.5得出一个二进制分类标签。
机器学习—构建一个神经网络
yn3535_的博客
11-02 450
然后把第一层的激活传递到第二层，相反，我们可以告诉Tensorflow我们喜欢它，把第一层和第二层串在一起形成一个神经网络，这就是张量流中的序列函数所做的，上边写着，亲爱的张量流，请为我创建一个神经网络通过顺序串在一起，我刚刚创建的这两层，事实证明，有了顺序框架，TensorFlow可以为你做很多工作。事实证明，TensorFlow是实现前向支柱的不同方式，在学习的同时，展示一种在Tensorflow中构建神经网络的不同方法，和之前一样你要创建第一层和第二层，但现在。
【机器学习】回归树
2303_80346267的博客
11-02 844
回归树是一种用于数值型目标变量的监督学习算法，通过将特征空间划分为多个区域，并在每个区域内使用简单的预测模型（如区域均值）来进行回归。回归树以“递归划分-计算区域均值”的方式逐层生成树节点，最终形成叶节点预测值。相比于线性回归，回归树更适合处理非线性和复杂数据结构。
【机器学习】决策树
2303_80346267的博客
11-02 1100
决策树是一种用于分类和回归任务的监督学习算法，它以树形结构递归地将数据分割成不同区域，使得最终的预测值尽可能纯净（即减少分类问题中的混杂度，或回归问题中的误差）。决策树算法简单直观、易于理解、解释性强，广泛应用于各类场景。本教程将详细介绍决策树的原理，重点解析构建决策树过程中的关键概念及其实现。
机器学习—神经网络中的层
yn3535_的博客
11-01 949
第二个神经元有参数W2和B2两个，这是第二个后勤单元的参数，所以它计算出一个a2=(w2*x+b2)，假设它是0.7，因为在这个例子中，我们认为潜在的偏见会意识到这件T恤的可能性，同样，第三个神经元有第三组参数W3和B3，类似的计算一个激活值，a3=(w3*x+b3)，可能是0.2，所以在这个例子中，这三个神经元输出了0.3、0.7和0.2，这个由三个数组成的向量称为激活值的向量，然后传递到这个神经网络的最终输出层。，今天神经网络可以有几十个甚至数百个层，为了引入符号来帮助我们区分不同的层，
机器学习—代码中的推理
yn3535_的博客
11-01 430
把它们变成烤得很好的咖啡豆，在这个稍微简化的例子中，创建了不同的温度和不同持续时间的数据集以及显示你烘焙的咖啡是否是好咖啡的标签，十字在哪里，正类y等于1对应于好咖啡，负类对应坏咖啡，所以看起来考虑这个数据集的合理方法是如果温度太低，它不会被烤，如果你煮的时间不够长，它最终会没有煮熟，持续的时间太短，也没有一套烤的很好的豆子，最后，如果你煮它，不是太久就是温度太高，最后你得到的是煮过头的豆子，所以也没有好咖啡。，创建一个隐藏的神经元层，有三个隐藏的的单元，并用作激活功能，这里的。由三个数字组成的列表。
机器学习：使用协同过滤推荐算进行电影推荐
m0_63099685的博客
11-02 63
通过实验，我学会了如何处理和准备推荐系统所需的评分数据，并将其划分为训练集、验证集和测试集，以便进行模型训练和评估。实验还让我掌握了如何使用训练好的模型进行用户评分预测和个性化推荐，这对于构建实际可用的推荐系统具有重要意义。使用最佳秩值rank=4重新训练模型，并在测试集上进行评估，得到的最小误差RMSE为0.8867，表明模型具有良好的泛化能力。对用户编号189预测其对电影2598的评分为2.8897，并向用户编号385推荐了10部电影，并给出了预测评分。2.使用协同过滤推荐模型给用户推荐感兴趣的电影；
机器学习—在一个单层中的前向传播
yn3535_的博客
11-04 326
继续以显示的咖啡烘焙模型，如何取输入特征向量X，并在这个Python实现中实现forward prop以获得这个输出a，用D数组来表示所有这些向量和参数，所以这里只有一个方括号，这是Python中的一个D数组，而不是一个二维矩阵，所以需要计算的第一个值是一个上标方括号，一个下标，它是一个的第一个激活值，即表达式g，现在规定一下，像W1[2]这样的术语表示为W2_1，所以要计算a1[1]，有参数w1_1和b1_1，然后计算z1_1，然后a1_1=g()，应用于z的Z状结肠函数。如何在单层中实现前进道具？
【机器学习】21. Transformer: 最通俗易懂讲解
weixin_48846514的博客
11-01 1131
Transformer 通俗易懂讲解，self-attention
GAN的基本原理
m0_70066267的博客
11-03 1042
生成对抗网络（GAN）自2014年由伊恩·古德费罗（Ian Goodfellow）等人提出以来，已成为推动人工智能生成内容（AIGC）领域发展的关键技术。GAN通过其独特的生成器和判别器结构，以及两者之间的对抗训练机制，为AIGC的发展带来了深远的影响。以下将详细探讨GAN如何推动AIGC的发展，涵盖其原理、应用、变种以及面临的挑战和未来展望。
北大NLP课程：情感分析与观点挖掘——互联网决策的关键
《互联网数据挖掘》课程中的第10章——情感分析与观点挖掘，是一门针对自然语言处理领域的深入探讨。在当今社交媒体盛行的时代，互联网上大量的用户生成文本，如评论、微博等，其中包含了大量的事实和观点信息。传统...
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