📅  最后修改于: 2022-05-13 01:58:08.619000        🧑  作者: Mango

变分自编码器变分自动编码器是由谷歌和高通公司的 Knigma 和 Welling 于 2013 年提出的。变分自编码器 (VAE) 提供了一种概率方式来描述潜在空间中的观察。因此，与其构建一个输出单个值来描述每个潜在状态属性的编码器，我们将制定我们的编码器来描述每个潜在属性的概率分布。它有许多应用，如数据压缩、合成数据创建等。建筑学：自编码器是一种神经网络，它以无监督的方式从数据集中学习数据编码。...

📅  最后修改于: 2022-05-13 01:58:08.628000        🧑  作者: Mango

FOCL算法先决条件：FOIL算法一阶组合学习器 (FOCL) 算法是纯归纳法 FOIL 算法的扩展。它使用领域理论进一步改进了对最佳规则的搜索，并大大提高了准确性。它将基于解释的学习 (EBL)的方法结合到现有的 FOIL 方法中。但在进入 FOCL 的工作之前，让我们先了解以下内容：领域理论基于解释的学习基于解释的学习 (EBL)简单来说，就是通过观察和分析特定问题的解决方案，获得基本的问题解...

📅  最后修改于: 2022-05-13 01:58:08.635000        🧑  作者: Mango

BERT模型解释——NLPBERT (Bidirectional Encoder Representations from Transformers) 是谷歌研究院研究人员于 2018 年提出的自然语言处理模型。 当它被提出时，它在许多 NLP 和 NLU 任务上实现了最先进的准确性，例如：一般语言理解评估斯坦福问答数据集 SQuAD v1.1 和 v2.0对抗世代的情况在发布几天后不久，发布的开...

📅  最后修改于: 2022-05-13 01:58:08.643000        🧑  作者: Mango

什么是无免费午餐定理什么是无免费午餐定理：无免费午餐定理经常用于优化和机器学习，但人们对其含义或暗示的理解却很少。该理论断言，当所有优化方法的性能在所有可能的问题上取平均值时，它们的性能都一样好。这表明不存在一种最优优化算法。由于优化、搜索和机器学习之间的紧密联系，对于分类和回归等预测建模任务，没有一种最佳机器学习方法。他们都同意一点：对于特定类型的算法没有“最佳”算法，因为它们的平均表现相似。从...

📅  最后修改于: 2022-05-13 01:58:08.649000        🧑  作者: Mango

CURE算法的基本理解CURE（使用代表聚类）它是一种基于层次的聚类技术，在基于质心和全点极值之间采用中间立场。层次聚类是一种聚类，它从一个点聚类开始，然后移动到与另一个聚类合并，直到形成所需数量的聚类。它用于识别球形和非球形簇。它对于发现组和识别基础数据中的有趣分布很有用。CURE 不像大多数数据挖掘算法那样使用一个点质心，而是使用一组定义明确的代表点，以有效地处理集群并消除异常值。集群和异常值...

📅  最后修改于: 2022-05-13 01:58:08.656000        🧑  作者: Mango

Logistic 回归的优缺点逻辑回归是一种分类算法，用于寻找事件成功和事件失败的概率。当因变量本质上是二进制（0/1，真/假，是/否）时使用它。它支持通过研究给定标记数据集的关系将数据分类为离散类。它从给定的数据集中学习线性关系，然后以 Sigmoid函数的形式引入非线性。逻辑回归也称为二项式逻辑回归。它基于 sigmoid函数，其中输出是概率，输入可以从 -无穷大到 +无穷大。让我们讨论一下线...

📅  最后修改于: 2022-05-13 01:58:08.662000        🧑  作者: Mango

无约束多元优化维基百科将优化定义为通过系统地从允许的集合中选择输入值并计算函数值来最大化或最小化实际函数的问题。这意味着当我们谈论优化时，我们总是对找到最佳解决方案感兴趣。因此，假设一个人有某种函数形式（例如以 f(x) 的形式），并且他正在尝试为这种函数形式找到最佳解决方案。现在，最好的意思是什么？可以说他对最小化这种函数形式或最大化这种函数形式感兴趣。通常，优化问题具有三个组成部分。最小化 f...

📅  最后修改于: 2022-05-13 01:58:08.668000        🧑  作者: Mango

潜在语义分析潜在语义分析是一种自然语言处理方法，它使用统计方法来识别文档中单词之间的关联。 LSA 处理以下类型的问题：示例：手机、电话、手机、电话都相似，但如果我们提出“手机一直在响”这样的查询，则只检索包含“手机”的文档，而包含手机、电话、电话的文档未检索。LSA 的假设：在同一上下文中使用的词彼此相似。由于所选词的歧义，数据的隐藏语义结构不清楚。奇异值分解：奇异值分解是一种统计方法，用于查找...

📅  最后修改于: 2022-05-13 01:58:08.674000        🧑  作者: Mango

7 机器学习在医疗保健行业的应用医疗保健行业是一个重要的行业，它为数百万公民提供护理，同时为当地经济做出贡献。人工智能以多种方式使医疗保健行业受益。信息技术通过提供帮助正在彻底改变医疗保健行业。众所周知，人工智能是开发能够执行通常需要人类智能的任务的计算系统。这些涉及繁重的任务，例如决策、解决复杂问题、对象检测等等。技术的好处，例如提高准确性和高水平计算，人类需要数天才能手动解决这些问题正在实施到...

📅  最后修改于: 2022-05-13 01:58:08.681000        🧑  作者: Mango

毫升 |使用特征脸的人脸识别（PCA 算法）1991 年，Turk 和 Pentland提出了一种人脸识别方法，该方法使用降维和线性代数概念来识别人脸。这种方法在计算上成本较低且易于实现，因此用于当时的各种应用，例如手写识别、唇读、医学图像分析等。PCA（Principal Component Analysis）是Pearson在1901年提出的一种降维技术。它使用特征值和特征向量来降维并将训练样...

📅  最后修改于: 2022-05-13 01:58:08.688000        🧑  作者: Mango

毫升 |线性判别分析线性判别分析或正态判别分析或判别函数分析是一种降维技术，常用于监督分类问题。它用于对组中的差异进行建模，即分离两个或多个类。它用于将高维空间中的特征投影到低维空间。例如，我们有两个类，我们需要有效地将它们分开。类可以有多个功能。仅使用单个特征对它们进行分类可能会导致一些重叠，如下图所示。因此，我们将继续增加特征的数量以进行适当的分类。例子：假设我们有两组数据点，它们属于我们想要...

📅  最后修改于: 2022-05-13 01:58:08.696000        🧑  作者: Mango

GrowNet：梯度提升神经网络GrowNet是 2020 年由普渡大学、加州大学洛杉矶分校和弗吉尼亚理工大学的学生与亚马逊和 LinkedIn 加利福尼亚的工程师合作提出的。他们提出了一种新的梯度提升算法，他们使用浅层神经网络作为弱学习器，在分类、回归和学习排序下训练梯度提升模型的通用损失函数，以及处理梯度陷阱的完全纠正步骤训练并为其提供稳定性。在继续讨论 GrowNet 的架构细节之前，先了解...

📅  最后修改于: 2022-05-13 01:58:08.703000        🧑  作者: Mango

基于命题逻辑的代理先决条件：人工智能中的 Wumpus 世界在本文中，我们将利用我们的理解来制作使用命题逻辑的 wumpus 世界代理。第一阶段是使代理能够最大程度地从其感知历史中推断出世界的状态。这就需要为行动的后果创建一个彻底的逻辑模型。我们还演示了代理如何跟踪世界而不必为每个推理返回感知历史。最后，我们展示了代理如何使用逻辑推理制定保证满足其目标的计划。Wumpus世界的现状逻辑代理的工作原...

📅  最后修改于: 2022-05-13 01:58:08.710000        🧑  作者: Mango

箱形图箱线图：它是一种图表，通过四分位数描述一组数值数据。这是一种可视化数据形状的简单方法。它使比较类别之间的数据特征变得非常容易。在本文中，我们将讨论以下主题-了解箱线图的组成部分如何创建箱线图箱线图的用途如何比较箱线图让我们一步一步地进行1) 了解箱线图的组成部分箱线图给出了一组数据的五位数总结，它是-最小值- 它是数据集中不包括异常值的最小值第一四分位数 (Q1)– 25% 的数据低于第一（...

📅  最后修改于: 2022-05-13 01:58:08.717000        🧑  作者: Mango

块图简介块图类似于箱线图，显示数据中特定因素的重要性。[如图1所示]就像ANOVA一样，用于表示统计显着性。图 1：块图块图的结构：块状图的结构包括：X 轴 -从 m 到 r 的次要变量/特征的所有组合。Y 轴 -响应变量 y。 （显着性度量）我们可以在以下情况下使用它：数据呈极非正态分布。 （与方差分析不同，其中数据必须服从正态分布）解释块图图 2：解释块图的结果在块图中，我们处理级别。 （数字...