【课程简介】 本课程适合所有需要学习机器学习技术的同学，课件内容制作精细，由浅入深，适合入门或进行知识回顾。 本章为该课程的其中一个章节，如有需要可下载全部课程 全套资源下载地址：https://download.csdn.net/download/qq_27595745/85252312 【全部课程列表】 第1章 机器学习和统计学习 共75页.pptx 第2和12章 感知机和统计学习方法总结 共27页.pptx 第3章 k-近邻算法 共69页.pptx 第4章 贝叶斯分类器 共79页.pptx 第5章 决策树 共98页.pptx 第6章 Logistic回归 共75页.pptx 第7章 SVM及核函数 共159页.pptx 第8章 adaboost 共75页.pptx 第9章 EM算法 共48页.pptx 第10章 隐马尔科夫模型 共64页.pptx 第11章 条件随机场 共63页.pptx 第13章 无监督学习概论 共27页.pptx 第14章 聚类方法 共52页.pptx 第15章 奇异值分解 共66页.pptx 第16章 主成分分析 共67页.pptx 第17章 潜在语义

大数据-算法-非线性海浪波高的最大熵分布及其应用.pdf

社交媒体为许多人提供了一个在线表达情感的机会。 对用户情绪进行自动分类可以帮助我们理解公众的偏爱，公众有很多有用的应用程序，包括情感检索和意见汇总。 短文本在Web上很普遍，尤其是在推文，问题和新闻标题中。 现有的大多数社会情感分类模型都集中在长文档传达的用户情感的检测上。 在本文中，我们介绍了一种用于对短文本进行用户情感分类的多标签最大熵（MME）模型。 MME通过对多个用户共同评分的多个情感标签和价进行建模，从而生成丰富的功能。 为了提高该方法在变尺度语料库上的鲁棒性，我们进一步开发了一种针对MME的协同训练算法，并将L-BFGS算法用于广义MME模型。 在现实世界中的短文本集合上进行的实验验证了这些方法对稀疏特征进行社会情感分类的有效性。 我们还演示了生成的词典在识别传达不同社会情感的实体和行为中的应用。 （C）2016 Elsevier BV保留所有权利。

搭配是汉语自动句法分析的重要知识源，而动词是句法分析的核心和前提。通过对已标注真实文本的分析，构造了动词搭配对的上下文变量信息特征模板，给出利用最大熵方法抽取动词—动词搭配，对待测的1 000句汉语句子应用最大熵方法自动识别出搭配，其中封闭测试抽取正确率为85.6%，召回率达到70.6%。

张乐最大熵工具包命令行实现工具。手册中第5章详细介绍如何使用命令行来进行模型训练和模型测试

AGNES和DIANA算法 AGNES (AGglomerative NESting)算法最初将每个对象作为一个簇，然后这些簇根据某些准则被一步步地合并。两个簇间的距离由这两个不同簇中距离最近的数据点对的相似度来确定；聚类的合并过程反复进行直到所有的对象最终满足簇数目。 DIANA (DIvisive ANAlysis)算法是上述过程的反过程，属于分裂的层次聚类，首先将所有的对象初始化到一个簇中，然后根据一些原则（比如最大的欧式距离），将该簇分类。直到到达用户指定的簇数目或者两个簇之间的距离超过了某个阈值。

依存句法是句法分析的一种,相比于短语结构句法分析,依存句法具有更简洁的表达方式。该文采用英文语义角色标注的研究方法,实现了一个基于中文依存句法分析的语义角色标注系统。该系统针对中文依存关系树,采用有效的剪枝算法和特征,使用最大熵分类器进行语义角色的识别和分类。系统使用了两种不同的语料,一种是由标准短语结构句法分析(CTB5.0)转换而来,另一种是CoNLL2009公布的中文语料。系统分别在两种语料的标准谓词和自动谓词的基础上进行实验,在标准谓词上取得的F1值分别为84.30%和81.68%,在自动谓词上的F1值为81.02%和81.33%。

研究了多机器人观测到同一目标时的协同定位问题。建立了各个机器人相对观测一致程度的数学描述模型，进而提出用基于极大熵准则的最大熵博弈获取使相对观测一致程度最优的协同定位方式。针对博弈结果的多样性，相应地改变观测方程的雅克比矩阵，推导了可适应多机器人各种博弈结果的扩展Kalman滤波协同定位算法。仿真实验表明，方法可实现机器人团队在协同定位时有选择、更高效地共享相互间的观测信息；在保证协同定位精度提高的同时有效地消除了多机器人相对观测信息间的冲突。

放射学 利用最大熵通过HMRF-EM进行鼻咽癌项目的MATLAB实现

保守值法matlab代码maxent_toolbox MATLAB的最大熵工具箱是一个免费的开放源代码工具箱，用于基于数据上的一组约束或可观察值来查找训练数据的最大熵分布。 给定某些观测函数集的平均值，最大熵模型给出系统状态或配置的数学上最小的概率模型。 由于分布的熵衡量了不同变量之间的随机性或缺乏相互作用，因此，给定一组可观察值的最小结构化分布是具有与这些可观察值一致的最大熵的分布。 这些模型用于有限数据的离散状态的近似概率分布，其中无法应用标准方法（例如对状态进行计数）。 此工具箱旨在学习二进制活动模式（即形式为1000110100的模式）的概率分布。人们可能想要学习这种分布的问题的示例是神经种群的联合活动的特征（0/1表示是否在特定神经元内发射了某种神经元。较小的时间窗口）或基因表达谱（0/1表示是否正在表达某个基因）。 工具箱将一组活动模式样本作为输入，并学习所有状态下的概率模型，从而推断所有可能活动模式下的整个分布。 从数学上讲，在离散形式下，如果x i是系统的元素（此处的变量取离散值），则p（x 1 ，x 2 …x n ）的最大熵模型与a的平均值一致函数集f 1 （x）..