资源

多年产品经理的一点感悟。很适合小白走出迷茫期~

细粒度的自我监督学习 此存储库具有与用于细粒度图像分类的自我监督学习相关的代码。 我使用了木薯植物病数据集

用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，如性别（男性、女性）、年龄（儿童、青少年、成年、老年）、佩戴眼镜（是、否）、戴帽子（是、否）、

领域：异常检测，深度学习 方法：非监督对抗学习 场景：硬盘故障检测 网络结构：基于LSTM自编码器与生成式对抗网络相结合 数据集：BackBlaze 采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生成式对抗网络相结合的网络结构，采用对抗训练方法，使模型学习正常样本在样本空间和潜在空间两个....

图像分类是计算机视觉中的基本任务之一，深度学习的出现是的图像分类技术趋于完善。最近，自监督学习与预训练技术的发展使得图像分类技术出现新的变化，这篇论文概述了最新在实际情况中少标签小样本等情况下，关于自监督学习、半监督、无监督方法的综述，值得看！

阶段一计科2班19111205邓丽芸.docx

《强化学习导论》摘录之强化学习与有监督学习、监督学习的区别； Reinforcement Learning: An Introduction； The differences between reinforcement learning and supervised learning, unsupervised learning.

半监督深度学习算法Tri-net

盛大 这是论文的代码：用于图的半监督学习的图随机神经网络[ ] 如果您认为我们的工作对您有帮助，请引用我们的论文： @inproceedings{feng2020grand, title={Graph Random Neural Network for Semi-Supervised Learning on Graphs}, author={Wenzheng Feng, Jie Zhang, Yuxiao Dong, Yu Han, Huanbo Luan, Qian Xu, Qiang Yang, Evgeny Kharlamov, Jie Tang}, booktitle={NeurIPS'20}, year={2020} } 要求 的Python 3.7.3 请通过pip install -r requirements.txt安装其他程序包 使用范例 在Cor