以通俗简介的方式，从浅入深介绍SVM原理和代码流程 让你从此不再惧怕SVM
视频部分：
01_SVM之回顾梯度下降原理02_SVM之回顾有约束的最优化问题03_SVM之回顾有约束的最优化问题-KKT几何解释04_SVM之回顾有约束的最优化问题-KKT数学解释05_SVM之回顾距离公式和感知器模型06_SVM之感知器到SVM的引入07_SVM之线性可分时损失函数的表示08_SVM之线性可分时损失函数的求解-对w,b变量求偏导09_SVM之线性可分时损失函数的求解-对β变量求解.10_SVM之线性可分时算法整体流程11_SVM之线性可分时案例12_SVM之线性不可分时软间隔介绍13_SVM之线性不可分时软间隔优化目标14_SVM之线性不可分时软间隔算法整体流程15_SVM之线性不可分时数据映射高维解决不可分问题16_SVM之线性不可分时核函数引入17_SVM之线性不可分时核函数讲解18_SVM代码之线性可分时和Logistic回归比较19_SVM代码之基于鸢尾花数据多分类参数解释20_SVM代码之基于鸢尾花数据网格搜索选择参数21_SVM代码之不同分类器，核函数，C值的可视化比较2
2023-02-20 14:30:48
14.74MB
1
内容概要：整理自网上开源OCR资料，主要整理近几年OCR论文通用方法，结合多个指标对比可选择适合算法，包括有无代码、数据集是否规则、方法内容、识别效果指标等，资料比较全面，配合本博主的博客可以进一步详细学习，希望大家可以互相交流学习。
适合人群：OCR初学者及爱好者学习和研究。
能学到什么：快速了解整个OCR领域论文通用方法，通过不同方法对比可选择适合自己数据集的OCR识别方法，可以为科研或项目提供帮助。
阅读建议：可通过表格筛选工具选择自己想要的方法，横向和纵向对比，先找到方法，后查找对应论文详细内容，有助于快速了解OCR方法。强烈推荐大家学习.
2023-02-20 14:07:41
136KB
1
yolov5-pytorch框架做的铁轨表面缺陷系统，里面加pyqt5界面，可做毕业设计
2023-02-19 17:23:00
489.93MB
Bert作为目前自然语言处理领域最流行的技术之一，文本分类作为自然语言处理领域最常见的任务之一，Pytorch作为目前最流程的深度学习框架之一，三者结合在一起将会产生什么样的花火，本套课程基于Pytorch最新1.4版本来实现利用Bert实现中文文本分类任务，延续动手学系列课程风格，全程手敲代码，跟着杨博一行一行代码撸起来。
2023-02-19 11:18:18
461B
1