本文主要介绍三种典型的弱监督：不完全、不确切和不准确监督。尽管三者可以分开讨论，但是实践中它们通常同时出现。由于篇幅限制，本文实际上扮演了更多文献索引而非文献综述的角色。

随着卷积神经网络（Convolutional Neural Network，CNN）的不断发展，目标检测作为计算机视觉中最基本的技术，已取得了令人瞩目的进展。介绍了强监督目标检测算法对数据集标注精度要求高的现状。对基于弱监督学习的目标检测算法进行研究，按照不同的特征处理方法将该算法归为四类，并分析比较了各类算法的优缺点。

去噪自动编码器 可以训练去噪自动编码器，以无人监督的方式学习特征空间的高级表示。 可以通过将经过预训练的自动编码器的一层一层堆叠在一起来创建深度神经网络。 整个网络的培训分三个阶段进行： 1.预训练：在此阶段中，对每个层进行训练，以从损坏的版本中重建原始数据。 破坏输入的不同有效方法包括： -添加小高斯噪声-将变量随机设置为任意值-随机将输入变量设置为0 2.学习：在此阶段中，将S形层和softmax层放置在堆栈的顶部，并接受有关分类任务的培训。 3.微调：使用标准反向传播算法对整个网络进行微调 ＃创建堆叠降噪自动编码器的结构sDA = StackedDA（[300，100]） # Pre-train layers one at a time, with 50% Salt and Pepper noise sDA.pre_train(X[:1000], rate=0.5, n_iters

大数据学习资源之Kylin

随机决策理论-贝叶斯决策与马尔可夫决策-xsd (1).pptx

2.JDBC.pdf,的Java项目

google自己下载的太慢，然后也是下载了好久，保存到了百度网盘，方便大家下载并进行一系列实验，之前的链接失效了，整理不易。希望可以得到小小的支持。

具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。

深度强化学习/监督学习实现与运行环境(TensorFlow/PyTorch)

自我监督学习（SSL） 文件 论文2021 RGB-D显着目标检测的自监督表示学习（） 通过自我监督的多任务学习来学习特定于形式的表示形式以进行多模态情感分析（）（） 理解无对比对的自我监督学习动力学（）（） 多视角的自我监督学习。（）（ ICLR 2021 ） 与差异的对比：带有噪声标签的学习的自我监督式预训练。（）（ ICLR 2021 ）（） 自我监督的可变自动编码器。（）（ ICLR 2021 ） 自我监督视觉预训练的密集对比学习。（）（ CVPR 2021 ）（）（） 超越眼界的是：通过提取多模态知识进行自我监督的多目标检测和声音跟踪。（）（ CVPR 2021 ） AdCo：有效地从自我训练的负面对手中学习无监督表示的对抗性对比。（）（ CVPR 2021 ）（） 探索简单的暹罗表示学习。（） Barlow Twins：通过减少冗余进行自我监督的学习。（）