目录网盘文件永久链接 1.1课程介绍机器学习介绍上.mp4 1.1课程介绍机器学习介绍下.mp4 1.2深度学习介绍.mp4 2基本概念.mp4 3.1决策树算法.mp4 3.2决策树应用.mp4 4.1最邻近规则分类KNN算法.mp4 4.2最邻近规则KNN分类应用.mp4 5.1 支持向量机(SVM)算法（上）.html 5.1 支持向量机(SVM)算法（上）应用.html 5.1支持向量机SVM上.mp4 5.1支持向量机SVM上应用.mp4 6.2神经网络算法应用上.mp4 6.3神经网络算法应用下.mp4 7.1简单线性回归上.mp4 7.2简单线性回归下.mp4 7.3多元线性回归.mp4 7.4多元线性回归应用.mp4 7.5非线性回归 Logistic Regression.mp4 7.6非线性回归应用.mp4 7.7回归中的相关度和决定系数.mp4 7.8回归中的相关性和R平方值应用.mp4 8.1Kmeans算法.mp4 8.2Kmeans应用.mp4 8.3Hierarchical clustering 层次聚类.mp4 8.4Hierarchical......

目录网盘文件永久链接 第1章 基本概念清晰版 第2章 软件包安装和环境配置总述 第3章 环境配置分部详解 第4章 环境配置分部详解下 第5章 手写数字识别 第6章 神经网络基本结构及梯度下降算法 第7章 随机梯度下降算法 第8章 梯度下降算法实现上 第9章 梯度下降算法实现下 第10章 神经网络手写数字演示 第11章 Backpropagation算法上 第12章 Backpropagation算法下 第13章 Backpropagation算法实现 第14章 cross-entropy函数 第15章 Softmax和Overfitting 第16章 Regulization 第17章 Regulazition和Dropout 第18章 正态分布和初始化(修正版) 第19章 提高版本的手写数字识别实现 第20章 神经网络参数hyper-parameters选择 第21章 深度神经网络中的难点 第22章 用ReL解决VanishingGradient问题 第23章 ConvolutionNerualNetwork算法 第24章 ConvolutionNeuralNetwork实现....

吴恩达网易云公开课《深度学习》week4--deep_nn_model二分类

针对噪声的随机性和突变性,使得传统算法抑制非平稳噪声比抑制平稳噪声难度增大的问题,提出了一种基于深度神经网络的子空间语音增强算法。该算法利用带噪的语音信号数据训练一组深度神经网络语音生成型模型(DNN训练模型);在测试增强阶段根据噪声估计和DNN模型去除非平稳噪声;最后,通过信号子空间在抑制噪声和减少信号失真上做出较为折中的选择重构语音信号。实验结果表明,基于深度神经网络的子空间语音增强算法对非平稳噪声有非常强的抑制能力,通过STOI和PESQ值反映了在低信噪比下,该算法可以提高增强语音的可懂度。

深度神经网络由于结构类似于生物神经网络，因此拥有高效、精准抽取信息深层隐含特征的能力和能够学习多层的抽象特征表示，且能够对跨域、多源、异质的内容信息进行学习等优势。提出了一种基于多用户-项目结合深度神经网络抽取特征、自学习等优势实现信息个性化推荐的模型，该模型通过对输入多源异构数据特征进行深度神经网络学习、抽取，再融合协同过滤中的广泛个性化产生候选集，然后通过二次模型学习产生排序集，实现精准、实时、个性化推荐。通过真实数据集对模型评估实验，实验结果表明，该模型能够很好地学习、抽取用户隐特征，并且能够一定程度上解决传统推荐系统稀疏性、新物品等问题，同时实现了更加精准、实时、个性化的推荐。

基于matlab的CNN-LSTM深度学习网络训练,有用的特征从CNN层中提取，然后反馈到LSTM层，该层形成预测的上下文顺序+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去

在看完了Andrew Ng教授的deeplearning.ai课程和李飞飞教授的cs231n课程后，总觉得应该写点笔记将学习过程记录下来，但内容不少，需要时间慢慢整理，故先将学习成果记录下来，是一段深度神经网络的程序，基于python科学计算库numpy的。还有一段代码是基于tensorflow的，在深度学习笔记（二）：基于tensorflow的深度神经网络程序总览中在记录吧（目前未发布）。虽然tensorflow很是方便，但是总觉得封装太好，只看代码根本学习不到什么，用numpy写一遍深度神经网络后，掌握知识的程度感觉好很多。废话不多说，先贴出代码来，代码中有注释，数据集用的是经典的数字手写体识别库mnist，后续笔记会对应具体公式和算法详细记录。

回归预测 | MATLAB实现DBN(深度置信网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。