码迷,mamicode.com
首页 >  
搜索关键字:样本    ( 4292个结果
matlab中训练样本随机打乱的方法
matlab中训练样本随机打乱的方法...
分类:其他好文   时间:2014-11-29 14:38:23    阅读次数:443
深度学习UFLDL老教程笔记1 稀疏自编码器Ⅱ
稀疏自编码器的学习结构:稀疏自编码器Ⅰ:神经网络反向传导算法梯度检验与高级优化稀疏自编码器Ⅱ:自编码算法与稀疏性可视化自编码器训练结果Exercise: Sparse Autoencoder自编码算法与稀疏性已经讨论了神经网络在有监督学习中的应用,其中训练样本是有类别标签的(x_i,y_i)。自编码...
分类:其他好文   时间:2014-11-28 21:22:29    阅读次数:588
k-means聚类算法python实现
K-means聚类算法算法优缺点:优点:容易实现缺点:可能收敛到局部最小值,在大规模数据集上收敛较慢使用数据类型:数值型数据算法思想k-means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的,相近的就会放到同一个类别中去。1.首先我们需要选择一个k值,也就是我们希望把数据分成多少类,...
分类:编程语言   时间:2014-11-28 06:13:30    阅读次数:368
大数据存储库
国内:数据堂你是否需要大量的数据来检验你的APP性能?最简单的方法是从网上免费数据存储库下载数据样本。但这种方法最大的缺点是数据很少有独特的内容并且不一定能达到预期的结果。以下是70多家可以获得免费大数据存储库的网站。 Wikipedia:Database :向感兴趣的用户提供所有可用的内容的免费....
分类:其他好文   时间:2014-11-27 21:41:24    阅读次数:261
统计检验:为了使检验数据正态化,对granger指数 先开平方根 然后双样本T检验
统计检验:为了使检验数据正态化,对granger指数 先开平方根 然后双样本T检验实验组内 明显变化的边是 LBG-LPPC可以这样解释吗: 基底神经节负责增强学习:基底神经节通过增加与皮层连接强度,负责增强学习问题:与global network连接方向相反 但是文献中也提到不同任务 NETWOR...
分类:其他好文   时间:2014-11-27 17:49:20    阅读次数:157
用java写bp神经网络(二)
接上篇。Net和Propagation具备后,我们就可以训练了。训练师要做的事情就是,怎么把一大批样本分成小批训练,然后把小批的结果合并成完整的结果(批量/增量);什么时候调用学习师根据训练的结果进行学习,然后改进网络的权重和状态;什么时候决定训练结束。那么这两位老师儿长的什么样子,又是怎么做到的呢...
分类:编程语言   时间:2014-11-27 16:03:45    阅读次数:191
【算法】验证码识别基础方法及源码(转)
先说说写这个的背景 最近有朋友在搞一个东西,已经做的挺不错了,最后想再完美一点,于是乎就提议把这种验证码给K.O.了,于是乎就K.O.了这个验证码。达到单个图片识别时间小于200ms,500个样本人工统计正确率为95%。由于本人没有相关经验,是摸着石头过河。本着经验分享的精神,分享一下整个分析的思路...
分类:编程语言   时间:2014-11-27 12:27:10    阅读次数:326
Android开源之行之走进zxing,轻松实现二维码扫描(二)
对于Zxing开源项目的简化上文已给出,源码经过测试且不断修改。众所周知,Zxing项目的扫描是横向的,这么引用的用户体验确实不好;然而盲目的修改会出现拉伸以及样本采集的偏离。所以这里说一下如何将横屏修改为竖屏扫描 解决办法引用原文:http://blog.csdn.net/aaawqqq/a...
分类:移动开发   时间:2014-11-26 18:19:09    阅读次数:321
贝叶斯定理学习
搞清楚先验概率和后验概率再说公式1、考虑一个医疗诊断问题,有两种可能的假设:(1)病人有癌症。(2)病人无癌症。样本数据来自某化验测试,它也有两种可能的结果:阳性和阴性。假设我们已经有先验知识:在所有人口中只有0.008的人患病。此外,化验测试对有病的患者有98%的可能返回阳性结果,对无病患者有97...
分类:其他好文   时间:2014-11-26 14:01:33    阅读次数:146
Face recognition from a single image per person: A Survey
本文是论文笔记,该论文综述了在训练集只有1张图片的时候,进行人脸识别的背景、意义、方法与改进方法等。...
分类:其他好文   时间:2014-11-26 01:29:30    阅读次数:256
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!