相关文章
- 神经网络与机器学习 笔记—核方法和径向基函数网络（下）
- 9-机器学习进阶_ELMO, BERT, GPT
- （《机器学习》完整版系列）第6章 支持向量机SVM——6.1 支持向量机SVM的基本型（对偶要KKT条件，不是找对象的条件）
- （《机器学习》完整版系列）第11章 特征选择与稀疏学习——11.4 嵌入式选择与L1正则化（将特征选择嵌入到优化算法中，以LASSO算法为代表）
- Google Earth Engine（GEE） ——多种机器学习方法（随机森林、cart、svm等）进行土地分类（安第斯高原为例）用光谱指数、植被、土壤、雪和烧毁区以及地形指数构建模型
- 机器学习笔记之深度玻尔兹曼机(一)玻尔兹曼机系列整体介绍
- 机器学习笔记之前馈神经网络(一)基本介绍
- 机器学习笔记之隐马尔可夫模型(四)求值问题——后向算法(Backward Algorithm)
- 机器学习笔记之指数族分布——最大熵角度观察指数族分布(一)最大熵思想
- 机器学习笔记之高斯分布(一)——使用极大似然估计计算最优参数
- Facebook：不仅让机器“看”人，更要让机器理解人
- Apache Spark机器学习2.7 复用性和自动化
- 《数字图像处理与机器视觉——Visual C++与Matlab实现》——0.3 数字图像处理的预备知识
- 《NLTK基础教程——用NLTK和Python库构建机器学习应用》——2.4 标识化处理
- 探索机器学习算法的几何结构：利用距离、角度和凸度优化SVM、PCA和神经网络（教程含源码）
- 数据分析小白入门篇，机器学习中必须要会用的模块
- 机器学习入门--MNIST（二）
- 机器学习如何威胁企业安全
- NXP i.MX8M Plus赋能边缘机器学习，启扬IAC-IMX8MP-Kit开发板
- 机器学习之深入理解SVM
- 机器学习——SVM之python实现数据样本标准化和归一化