从监督学习到强化学习-四种深度学习方式原理知多少 深度学习原理.doc

机器学习实战项目——无监督聚类&PCA tSNE降维.zip

弱监督学习的精确3D人脸重建：从单个图像到图像集 回购协议Pytorch版本。 此存储库仅包含重建部分，因此您可以使用库来训练网络。 而预训练模式也从这个。 特征 神经网络 我使用mtcnn裁剪原始图像并检测5个地标。 的大多数代码来自 。 pytorc3d 在此，我使用渲染重建的图像。 估计内在参数 在原点回购（ ），则渲染的图像是不一样的，因为输入图像preprocess 。 因此，我添加了estimate_intrinsic以获取内部参数。 例子： 这里有些例子： 原始图片 裁剪图像 渲染图像 文件架构 ├─BFM same as Deep3DFaceReconstruction ├─dataset storing the corpped images │ └─Vladimir_Putin ├─examples

对于学习机器学习算法中的半监督学习算法有一定的帮助。

957 无监督学习通往人工智能重要的一环：无监督学习.docx

结合学习视频各个要点进行的记录

琥珀酰化是蛋白质翻译后修饰（PTM）的一种广泛类型，在调节蛋白质构象，功能和理化性质方面起着重要作用。 与劳动密集和费时的实验方法相比，琥珀酰化位点的计算预测由于其方便快捷的速度而非常可取。 当前，已经开发了许多计算模型以通过各种类型的两类机器学习算法来识别PTM站点。 这些方法需要正样本和负样本进行训练。 但是，很难指定PTM的负样本，如果不能正确完成，会极大地影响计算模型的性能。 因此，在这项工作中，我们将正样本仅学习（PSoL）算法首次应用于琥珀酰化位点预测问题，这是一类特殊的半监督机器学习，它使用正样本和未标记样本来训练模型。 同时，我们通过使用多种特征编码方案，提出了一种新颖的琥珀酰位点计算预测子，称为SucPred（琥珀酰位点预测子）。 通过使用SucPred预测变量，在训练数据集上进行5倍交叉验证并在独立测试数据集上进行了5倍交叉验证，其准确性为88.65％，这表明此处介绍的仅用于学习算法的阳性样本特别有用用于鉴定蛋白质琥珀酰化位点。 此外，仅用于正样本的学习算法可以轻松地为其他类型的PTM网站建立预测器。 开发了用于预测琥珀酰化位点的Web服务器，该服务器可从http:

hmm_market_behavior hmm_market_behavior.ipynb-主要研究文件。 hmm_market_behavior_following_btcusd_catalyst.py-使用Catalyst框架的交易策略示例。 quandl_BITFINEX_BTCUSD_final_model.pkl-训练模型。 您可以在本文中阅读更多内容

优化半监督学习 该matlab代码提供了已开发和分发的原始版本的计算优化版本。 提供了一个matlab代码来近似拉普拉斯特征向量。 他计算了Laplace Beltrami算子的本征函数，然后对其进行插值以计算laplacian本征向量。 该matlab代码提供了用于计算近似拉普拉斯特征向量的优化过程。 下图显示了使用三种不同过程计算拉普拉斯平滑度的时间分析。 使用精确的拉普拉斯特征向量（EigVector） 使用Laplace Beltrami算子本征函数（Eigfunctions-Fergus） 对Laplace Beltrami算子本征函数使用优化方法（Eigfunctions-Taha） ＃＃动机 我们将交互式图像分割问题转换为半监督学习问题。 我们使用了 matlab代码来测试我们想法的有效性。 尽管结果令人鼓舞，但为小图像计算拉普拉斯平滑度所需的时间太大。 因此，我们优

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。