Machine learning is about designing algorithms that automatically extract valuable information from data. The emphasis here is on “automatic”, i.e., machine learning is concerned about general-purpose methodologies that can be applied to many datasets, while producing something that is mean- ingful. There are three concepts that are at the core of machine learning: data, a model, and learning.
上傳時間： 2020-06-10
上傳用戶：shancjb
learning Python 第5版電子版書籍，正規版本，不是掃描的哦，關于這本書的內容不解釋了，懂Python的應該知道，很不錯的一本書，不過非常考驗英文水平。
標簽： python
上傳時間： 2022-07-02
上傳用戶：xsr1983
圖像配準理論及算法研究.pdf cnn_tutorial.pdf Deep learning（深度學習）學習筆記整理.pdf 00.神經?絡與深度學習.pdf deep learning.pdf 深度學習方法及應用PDF高清晰完整版.pdf 斯坦福大學-深度學習基礎教程.pdf 深度學習基礎教程.pdf deep+learning.pdf 深度學習 中文版 ---文字版.pdf 神經網絡與機器學習（原書第3版）.pdf
上傳時間： 2013-06-07
上傳用戶：eeworm
h.264文檔學習，參考資料，比較全，內容新-h.264 document learning
標簽： 264
上傳時間： 2013-08-04
上傳用戶：czl10052678
VC入門學習指導，看了一下覺得有必要推薦一下，需要的話可以下來看看！-Introduction to VC learning guide
標簽： VC
上傳時間： 2013-06-21
上傳用戶：bakdesec
·【作 者】Ayala, Kenneth J. [同作者作品] 【出 版 社】 Thomson learning 【書 號】 140186158X 【出版日期】 2005 年7月 【頁 碼】 412 本書全面論述8051系列的微控制器的內部結構、指令系統、尋址方式、存儲分配以及與各種實際外圍器件的接口技術
標簽： nbsp Microcontroller Embedded Assembly
上傳時間： 2013-04-24
上傳用戶：zhengzg
The DSP Design Flow workshop provides an introduction to the advanced tools you need to design and implement DSP algorithms targeting FPGAs. This intermediate workshop in implementing DSP functions focuses on learning how to use System Generator for DSP,
標簽： workshop provides Design Flow
上傳時間： 2013-09-02
上傳用戶：joheace
本課題主要研究對象為數字預失真技術中的功放模型的建立及數字預失真算法的研究。功放的數學模型主要分為無記憶模型和記憶模型，分析了不同模型的參數估計的方法。針對以往常見的模型反轉數字預失真算法，課題分析并使用了新穎的間接學習(indirect learning)數字預失真算法，從而有效避免了無法對功放模型進行求逆的缺陷，并在此架構下仿真了不同功放模型的參數估計對于數字預失真效果的影響。針對WCDMA移動通信基站系統中使用的寬帶功率放大器，使用ADS和MATLAB軟件聯合仿真的形式來評估整個DPD系統的性能并使用實際功放進行了測試。
上傳時間： 2013-10-12
上傳用戶：問題問題
提出了一種改進的LSM-ALSM子空間模式識別方法，將LSM的旋轉策略引入ALSM，使子空間之間互不關聯的情況得到改善，提高了ALSM對相似樣本的區分能力。討論中以性能函數代替經驗函數來確定拒識規則的參數，實現了識別率、誤識率與拒識率之間的最佳平衡；通過對有限字符集的實驗結果表明，LSM-ALSM算法有效地改善了分類器的識別率和可靠性。關 鍵 詞 學習子空間; 性能函數; 散布矩陣; 最小描述長度在子空間模式識別方法中，一個線性子空間代表一個模式類別，該子空間由反映類別本質的一組特征矢量張成，分類器根據輸入樣本在各子空間上的投影長度將其歸為相應的類別。典型的子空間算法有以下三種[1, 2]：CLAFIC(Class-feature Information Compression)算法以相關矩陣的部分特征向量來構造子空間，實現了特征信息的壓縮，但對樣本的利用為一次性，不能根據分類結果進行調整和學習，對樣本信息的利用不充分；學習子空間方法(Leaning Subspace Method, LSM)通過旋轉子空間來拉大樣本所屬類別與最近鄰類別的距離，以此提高分類能力，但對樣本的訓練順序敏感，同一樣本訓練的順序不同對子空間構造的影響就不同；平均學習子空間算法(Averaged learning Subspace Method, ALSM)是在迭代訓練過程中，用錯誤分類的樣本去調整散布矩陣，訓練結果與樣本輸入順序無關，所有樣本平均參與訓練，其不足之處是各模式的子空間之間相互獨立。針對以上問題，本文提出一種改進的子空間模式識別方法。子空間模式識別的基本原理1.1 子空間的分類規則子空間模式識別方法的每一類別由一個子空間表示，子空間分類器的基本分類規則是按矢量在各子空間上的投影長度大小，將樣本歸類到最大長度所對應的類別，在類x()iω的子空間上投影長度的平方為()211,2,,()argmax()jMTkkjpg===Σx (1)式中 函數稱為分類函數；為子空間基矢量。兩類的分類情況如圖1所示。
上傳時間： 2013-12-25
上傳用戶：熊少鋒
最新的支持向量機工具箱，有了它會很方便 1. Find time to write a proper list of things to do! 2. Documentation. 3. Support Vector Regression. 4. Automated model selection. REFERENCES ========== [1] V.N. Vapnik, "The Nature of Statistical learning Theory", Springer-Verlag, New York, ISBN 0-387-94559-8, 1995. [2] J. C. Platt, "Fast training of support vector machines using sequential minimal optimization", in Advances in Kernel Methods - Support Vector learning, (Eds) B. Scholkopf, C. Burges, and A. J. Smola, MIT Press, Cambridge, Massachusetts, chapter 12, pp 185-208, 1999. [3] T. Joachims, "Estimating the Generalization Performance of a SVM Efficiently", LS-8 Report 25, Universitat Dortmund, Fachbereich Informatik, 1999.
上傳時間： 2013-12-16
上傳用戶：亞亞娟娟123
<center id="eyeww"></center>
