监督学习的训练集+测试集+停用词。可以直接下载。数据集中有四个分类，每个1000+个。停用词是哈工大停用词。

图像模糊matlab代码自我监督 用于训练神经网络的自监督算法。 该算法可以利用结构化的未标记样本来提高网络的性能。 存储库的结构 所提出方法的第一个版本由 Matlab 实现，第二个版本由 Pytorch 实现，因此该存储库中既有 Matlab 也有 Jupyter notebook 文件。 神经核心：用于使用 matlab 构建我们的网络的核心单元 神经模型：网络和数据模型类 data_transfer : 用于划分数据集并使用 PCA 将图像传输到向量的 api data : 论文中使用的南瓜数据集 ss_net.m ：使用建议方法的示例 同轴错误检测：应用示例 epfl_car : epfl car 数据集的实验 EPFL 汽车数据集的结果 方法 平均AE 中位数AE 有标签 无标签 我们的方法 1 9.28 3.5 1079 0 我们的方法 2 12.02 3.65 123 1389 我们的方法 3 17.22 4.78 123 0 芬兹等人。 (2015) 13.6 3.3 1179 0 他等人。 (2014) 15.8 6.2 1179 0 杨等人。 (2017) 20.

使用师生模型进行人声旋律提取的半监督学习 ISMIR（2020）| “使用师生模型进行人声旋律提取的半监督学习”的源代码| 抽象的 缺少标记数据是许多音乐信息检索任务（例如旋律提取）中的主要障碍，在这些任务中，标记非常费力或成本高昂。 半监督学习（SSL）提供了一种通过利用大量未标记数据来缓解此问题的解决方案。 在本文中，我们提出了一种使用师生模型进行人声旋律提取的SSL方法。 教师模型经过预先标记的数据训练，并指导学生模型在自训练设置中在未标记输入的情况下做出相同的预测。 我们研究了具有不同数据增强方案和损失函数的三种师生模型设置。 此外，考虑到测试阶段标记数据的稀缺性，我们使用分析合成方法从未标记数据中人工生成带有音高标记的大规模测试数据。 结果表明，SSL方法仅针对有监督的学习即可显着提高性能，而这种改进取决于师生模型，未标记数据的大小，自训练迭代的次数以及其他训练细节。 我们还发现

无监督学习的ppt

半监督学习 楷模 梯形图网络（带有自动编码器） 临时集合（与CNN） 锐化的临时合奏（带有CNN）（基于临时合奏） 卑鄙的老师（与CNN） MixMatch（带有CNN） 结果 在results.xlsx查看results.xlsx

本资源采用自组织学习获取中心和有监督学习获取中心两种方式训练RBF神经网络，支持多维函数逼近，支持批量训练，具有较好的封装性，使用非常简便

StereoNet：在pytorch中对实时边缘感知深度预测模型进行指导的分层优化。 ECCV2018 ActiveStereoNet：主动立体声系统的端到端自我监督学习ECCV2018口语 如果您想就StereoNet与我交流，请随时与我联系。 我的电子邮件： 我的模型结果 现在，通过端到端训练，我的模型的速度可以在540 * 960 img上达到25 FPS，在场景流数据集上，最佳结果是1.87 EPE_all（使用16X多个模型），1.95 EPE_all（使用16X单个模型）。 以下是侧面输出和预测示例 火车例子 测试例 在titan xp gpu上超过100FPS KITTI20

数据挖掘-K-Means聚类-算法原理.pdf

论文“使用STDP进行数字识别的无监督学习”的Brian 2版本源代码 这个小项目是将PU Diehl撰写的论文“使用依赖于尖峰时序的可塑性进行无监督的数字识别学习”中的Brian 1代码转换为Brian 2版本。 先决条件 布赖恩2 MNIST数据集，可以从下载。 数据集包括四个gz文件。 下载它们后解压缩它们。 使用预训练的砝码进行测试： 运行主文件“ Diehl＆Cook_spiking_MNIST_Brian2.py”。 可能需要几个小时，具体取决于您的计算机 上一步完成后，通过运行“ Diehl＆Cook_MNIST_evaluation.py”对其进行评估。 培训新网络： 通过将第214行更改为“ test_mode = False”来修改主文件“ Diehl＆Cook_spiking_MNIST_Brian2.py”并运行代码。 训练后的权重将存储在“权重”文件夹中，

伊索宁 用于在线无监督学习的增强型自组织增量神经网络 作者：Sergei Belousov又名BeS 用C ++和Boost实现ESOINN 原始论文：“用于在线无监督学习的增强型自组织增量神经网络”，Shen Furaoa，Tomotaka Ogurab，Hasegawab Osamu，2007年