大數(shù)據(jù) 人工智能 AI 區(qū)塊鏈 深度學(xué)習(xí) 算法
發(fā)簡(jiǎn)信
IP屬地：山東
-
-
基于圖像序列識(shí)別的端到端可訓(xùn)練神經(jīng)網(wǎng)絡(luò)及其在場(chǎng)景文本識(shí)別中的應(yīng)用（An End-to-End Trainable Neural Network for Image-based Sequence ...譯者按： 場(chǎng)景文字檢測(cè)這一問(wèn)題在15~20年前就出現(xiàn)了相關(guān)的研究工作犯犁，它與傳統(tǒng)的文本文字檢測(cè)的重要區(qū)別是需要將照片或視頻中的文字識(shí)別出來(lái)蒋伦。 其主要分為兩個(gè)步驟： 對(duì)照片中存在...
-
異常值檢測(cè)背景 有時(shí)候數(shù)據(jù)集中會(huì)包含一個(gè)或多個(gè)數(shù)值異常大或異常小的值，這樣的極端值稱為異常值 對(duì)于異常值，我們?cè)撛趺崔k呢触幼？ 需要采用一定的技術(shù)手段從大量數(shù)據(jù)中找出哪些數(shù)值可能是異常值 ...
-
5 聚類 - 性能度量外部指標(biāo) (要求數(shù)據(jù)集有標(biāo)簽) 調(diào)整蘭德系數(shù) Adjusted Rand Index描述分類與真實(shí)標(biāo)簽的相似度1） RI取值范圍為[0,1]，RI越大聚類效果越準(zhǔn)確究飞，即每個(gè)類...
-
4 聚類 - 高斯混合聚類背景 協(xié)方差與相關(guān)系數(shù)協(xié)方差描述兩變量變化的相似度置谦，相關(guān)系數(shù)除去了變量變化幅度的影響 高斯混合模型多個(gè)高斯分布混合得到的結(jié)果 高斯混合分析步驟 初始化高斯分布, 設(shè)置均值與標(biāo)...
-
3 聚類 - DBSCANDBSCAN DBSCAN: 具有噪聲的基于密度的空間聚類 DBSCAN理解 Epsilon聚點(diǎn)搜索范圍，如果范圍內(nèi)無(wú)數(shù)據(jù)或者數(shù)據(jù)太少亿傅，則認(rèn)為是噪點(diǎn) MinPts設(shè)置最小搜索...
-
2 聚類 - 層次聚類
層次凝聚聚類法 HAC 也稱為全連接聚類媒峡，與單連接聚類不同的是，兩個(gè)類之間的距離不是最近點(diǎn)距離葵擎，而是最遠(yuǎn)點(diǎn)距離 層次聚類 優(yōu)點(diǎn) 能夠幫助進(jìn)行數(shù)據(jù)可視化 適合某些特殊的數(shù)據(jù)集和...
-
1 聚類 k-means
算法介紹 對(duì)于同一個(gè)數(shù)據(jù)集谅阿，相同的聚簇中心，每次計(jì)算結(jié)果也可能會(huì)不一樣 該算法除了要事先確定簇?cái)?shù)K和對(duì)初始聚類中心敏感外酬滤，經(jīng)常以局部最優(yōu)結(jié)束签餐，同時(shí)對(duì)“噪聲”和孤立點(diǎn)敏感，并且...
-
【機(jī)器學(xué)習(xí)概述】第三篇盯串、監(jiān)督學(xué)習(xí)線性回歸 首先氯檐，用線性回歸的前提，線性線性体捏，他是能區(qū)分可由一個(gè)直線（面）來(lái)回歸模擬的數(shù)據(jù)冠摄。如果訓(xùn)練數(shù)據(jù)包含非線性關(guān)系，你需要選擇：調(diào)整數(shù)據(jù)（進(jìn)行數(shù)據(jù)轉(zhuǎn)換）译打、增加特征數(shù)量（多項(xiàng)...
-
我只是知識(shí)的搬運(yùn)工
-
即將離開(kāi)簡(jiǎn)書(shū), 為了不誤導(dǎo)大家, 我會(huì)慢慢刪除過(guò)時(shí)的文章. 這個(gè)平臺(tái)現(xiàn)在是為了活而活, 對(duì)內(nèi)容創(chuàng)造者也獎(jiǎng)勵(lì)極小. 最主要是普通技術(shù)博客, 沒(méi)涉及任何不當(dāng)言論, 總莫名被封
