TensorFlow机器学习实战指南(原书第2版)
作者:Nick McClure
出版社:机械工业出版社
ISBN:9787111631262
VIP会员免费
(仅需0.8元/天)
¥ 45.0
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
机器学习 第十二讲:Regularization and model selection 评分:
介绍机器学习中的特征选择的一些方法,以及评估学习模型的方法。
上传时间:2015-03 大小:242KB
- 2.57MB
机器学习之noisy or model
2011-03-08What is a Noisy-OR Model I am interested with the paper "Noisy-OR Component Analysis and its Application to Link Analysis" published by Tomas Singliar and Milos Hauskrecht on JMLR 7 (2006). A very preliminary prerequisite to understand this paper is to know the "noisy-or" model. However, it seems that noisy-or is an old topic and no much can be found via Google. Fortunately, I got a very brief description from an old paper "Possibility theory and the generalized Noisy OR model". Snapshotting the section on Noisy OR as an image as attached:
- 43KB
vicsek model
2019-03-13vicsek模型的代码实现,包括不同状态不同情况下的代码编写。
- 151.33MB
models.tar.gz
2019-06-29已经预训练的TensorflowLite模型文件,能够在edgeTPU上直接调用运行,里面包括model和标签。 样例文件名:mobilenet_ssd_v2_face_quant_postproce.tflite pet_labels.txt
- 185.73MB
pre_model文件
2019-03-03pre_model
- 0B
机器学习英文课件第十二讲.pdf
2022-12-02机器学习英文课件第十二讲.pdf
- 7.14MB
机器学习基石 14 - 3 - Regularization and VC Theory (08-15).mp4
2023-03-28机器学习基石 14 - 3 - Regularization and VC Theory (08-15).mp4
- 17KB
serverless-model-aws:在AWS中部署任何无服务器的机器学习模型
2021-02-05在AWS上对端点和无服务器批量转换作业进行建模 此存储库是用于将模型部署为AWS Elastic Container Service上的批处理转换作业或服务器终端节点的基础模板。 有关更详尽的教程,请。 服务器端点将保持运行状态,并且可以用作API进行推断。 批处理转换作业将被部署为无服务器应用程序,并将推断在AWS S3中删除的新数据。 将新数据放到S3存储桶上时,便会触发lambda函数。 lambda会将新鲜数据的元数据放在AWS SQS队列中。 容器将部署在AWS ECS中,完成SQS队列上的作业,最后将关闭。 要求 确保已经了 。 在〜/ .aws / credentials
- 2KB
model-cards-and-datasheets:机器学习模型卡和数据表的集合
2021-03-16模型卡和数据表 机器学习模型卡和数据表的集合。 模型卡 数据表 工具 讲解
- 1.47MB
smoke-signals-model:为烟雾信号提供动力的机器学习算法
2021-05-06烟雾信号模型 该存储库包含用于生成分数的代码和文档,这些分数有助于指示人口普查小组组的居民其居民没有烟雾报警器的风险是否很高。 您可以在阅读分析概述。 通过绘制《美国住房状况调查》和《美国社区调查》中的常见变量,可以进行此分析。 您可以查看有关如何完成这些映射的详细。 入门。 安装 首先克隆存储库,然后导航到项目的根目录: git clone https://github.com/enigma-io/smoke-alarm-risk.git cd smoke-alarm-risk 该项目是用编写的,并且取决于以下软件包: bit64 plyr ggplot2 data.table knitr reshape2 scales bigrf pROC 您可以通过在项目的根目录中运行以下命令来安装这些软件包: $ make init 获取数据 该项目还需要六个csv文件(
- 323KB
Regularization and variable selection via the elastic net.pdf
2021-03-12Regularization and variable selection via the elastic net.pdf
- 870KB
BOOSTING ALGORITHMS REGULARIZATION PREDICTION AND MODEL FITTING.
2022-03-17BOOSTING ALGORITHMS REGULARIZATION PREDICTION AND MODEL FITTING.BOOSTING ALGORITHMS REGULARIZATION PREDICTION AND MODEL FITTING.
- 91.54MB
Deep Neural Networks Hyperparameter tuning, Regularization and Optimization.zip
2021-03-23吴恩达系列教学码源Deep Neural Networks Hyperparameter tuning, Regularization and Optimization.zip
- 252KB
机器学习 第十讲:Support Vector Machines 4
2015-03-15这一讲介绍SVM中引入Regularization处理数据非线性可分的情况,以及SMO算法。
- 4.41MB
model-stock-prediction:基于机器学习的股票价格预测模型
2021-04-08:chart_increasing: 股票预测模型 使用机器学习的股票价格预测模型。 :light_bulb: 介绍 准确的100%的库存预测是……每个人的梦想,我们可以使用机器学习来实现……无论如何,让我们直接介绍我们的模型。 该项目基于LSTM结构和GRU结构来预测单线时间序列的库存趋势。 特征: 易于使用:只需通过运行python3 train.py和python3 test.py即可运行模型并获得结果。 易于控制:所有流量表都在单个文件config.ini ,只需修改此参数即可控制模型。 易于修改:所有源代码都是很好的面向对象的组织,重用模型,utils会很容易。 适用于不同的数据集:可以使用任何遵循csv示例结构的数据集,只需将数据集放入data文件夹并运行即可。 :wrench: 环保环境 Python Version : 3.6 or later Python Packages : torch , numpy , matplot
- 1.47MB
feature-selection-for-machine-learning:在线课程机器学习功能选择的代码存储库
2021-05-07机器学习的特征选择-代码存储库 2018年2月发布 链接 目录 基本选择方法 删除常量功能 删除准恒定特征 删除重复的功能 相关特征选择 删除相关功能 基本选择方法+相关-管道 过滤方法:单变量统计方法 相互信息 卡方分布 阿诺娃 基本选择方法+统计方法-管道 筛选器方法:其他方法和指标 单变量roc-auc,mse等 KDD竞赛中使用的方法-2009 包装方法 前进功能选择 后退功能选择 详尽的特征选择 嵌入式方法:线性模型系数 逻辑回归系数 线性回归系数 正则化对系数的影响 基本选择方法+相关性+嵌入式-管道 嵌入式方法:套索 套索 基本选择方法+关联+套索-管道 嵌入式方法:树的重要性 随机森林衍生的特征重要性 树重要性+递归特征消除 基本选择方法+相关性+树的重要性-管道 混合特征选择方法 功能改组 递归特征消除 递归特征添加
- 101KB
sparksql-model-solr-poc:POC在Solr中存储机器学习模型
2021-05-16sparksql模型solr-poc POC在Solr中存储机器学习模型 在hadoop生态系统的大多数技术部分(例如hive,spark等)中,推荐的存储机器学习模型的格式是木地板格式(由ASF开发)。 此POC试图在Solr中读取,解析并存储实木复合地板模型,然后再次读取以进行预测。 Spark SQL已经提供了将镶木地板文件转换为DataFrame的机制。 特征: 将Spark数据帧发送到Solr 将数据帧从Solr读回Spark 先决条件: 安装火花。 [下载链接: : ] 程序: 将项目克隆到本地仓库中。 Git克隆 使用样本数据测试了三种测试机器学习算法。 这些类是DecisionTreeTest.java,MultinomialLogistic.java和NaiveBayesTest.java a)所有这三个类都有硬编码的输入文件路径。 更改变量“
- 38KB
genetic-feature-selection:在机器学习任务中使用遗传算法进行特征选择的实验
2021-05-18遗传特征选择 UCI机器学习提出的使用遗传算法为回归任务进行特征选择的简短实验,以教程形式编写。 请注意,这些实验仅专注于功能选择实现。
- 2.49MB
model_inspector:检查机器学习模型的工具
2021-03-19模型检查员 检查机器学习模型 我开发此库的主要目的是生成可用于机器学习教学的模型可视化。我希望它能够成长为对从业者也有用的更深层次的库。 有关API的详细信息和示例,请参阅,尤其是有关的。 安装 pip install model_inspector
- 352KB
Frames, Reproducing Kernels, Regularization and Learning(机器学习的好书)
2009-09-05权威写的关于机器学习的不错的资料,2005年的,也算是新的基础参考文献
- 3.32MB
斯坦福大学-机器学习公开课课件.rar
2014-05-23Lecture notes 5 (ps) (pdf) Regularization and Model Selection Lecture notes 6 (ps) (pdf) Online Learning and the Perceptron Algorithm. (optional reading) Lecture notes 7a (ps) (pdf) Unsupervised ...
- 568KB
Standford机器学习 逻辑回归(Logistic Regission)以及过拟合问题解决(Regularization)
2013-05-08Standford机器学习 逻辑回归(Logistic Regission)以及过拟合问题解决(Regularization
- 74.66MB
机器学习论文合集(pdf格式).zip
2020-03-1025篇机器学习经典论文合集,有需要欢迎积分自取 Efficient sparse coding algorithms论文附有代码 [1] Zheng S, Kwok J T. Follow the moving leader in deep learning[C]//Proceedings of the 34th International...
- 297KB
jupyterlab-model-card:在JupyterLab中为机器学习模型生成模型卡
2021-05-08jupyterlab_apod jupyterlab模型卡 要求 JupyterLab> = 2.0 安装 jupyter labextension install jupyterlab-model-card 发展 安装 jlpm命令是JupyterLab随JupyterLab一起安装的固定版本。 您可以在下面使用yarn或npm代替jlpm 。 首先使用以下命令从environment.yml文件创建一个conda环境。 然后激活环境。 conda env create -f environment.yml # Clone the repo to your local environment # Move to jupyterlab-model-card directory # Install dependencies jlpm # Build Typescript source
- 55.11MB
klever-model-registry:云原生机器学习模型注册表
2021-05-03Klever模型注册表 English | Klever模型注册表是Cloud Native ML模型注册表。 使用Klever Model Registry可以: 管理您的ML模型 使用现有基础结构版本化并交付您的ML模型 跟踪ML模型的超参数等,以帮助决策者 在不同格式之间转换模型(例如TensorFlow SavedModel,ONNX) 服务模型 获取独立的可执行程序,以在边缘设备/服务器上部署ML模型推理服务(即将推出!) Klever模型注册表的功能: 使用Docker和Kubernetes进行部署 对您的业务保持非侵入性 管理Docker等ML模型(在的帮助下) 重复使用Harbor来存储模型,而无需任何新的基础架构 支持由MLflow管理的模型的模型服务 提取以下模型的签名: 保存的模型 昂尼克斯 GraphDef 网络防御 凯拉斯H5 Caffe模型
- 8KB
spark-mrmr-feature-selection:Spark MlLib 的机器学习增强功能
2021-06-18火花-毫升 Spark MlLib 的机器学习增强功能 基于Maximum-Relevance Minimum-Redundancy的FeatureSelection(通过信息增益衡量的特征的重要性) 用法: MrMrFeatureSelection(vectorModelRDD, labelBuckets, featuresBuckets, noRecords) vectorModelRDD = LabeledPoint 的 rdd,其中特征类型为 DenseVector labelBuckets = 类型 Array[Double],对应于标签桶; 第一个元素必须小于标签的最小值,最后一个元素必须大于标签的最大值 featuresBuckets = type Array[Array[Double]] featuresBuckets[i] 对应于属于特征的桶数组i(基于输入 rdd
- 205KB
doddle-model:doddle-model:Scala中的机器学习
2021-02-05doddle-model:doddle-model:Scala中的机器学习
- 45KB
clj-ml-model:机器学习建模接口
2021-05-11机器学习建模,测试和培训的界面 该存储库提供通用库来训练,测试和使用机器学习模型。 具体来说: 包装 3.8。 分类器和功能的任意组合的自动化。 排序和打印结果具有多种格式和详细程度。 生成具有多个运行结果的Excel电子表格文件。 两遍交叉验证。 与集成。 目录 交叉验证 交叉验证报告 坚持/保存模型 使用模型 测试模型 自动化测试和过度拟合 建造 已知错误 变更日志 执照 取得 在您的project.clj文件中,添加: 文献资料 API文档。 例子 请参阅示例存储库,该存储库说明了如何使用此库,并包含这些示例的来源代码。 强烈建议您克隆并仔细阅读本自述文件。 用法 要创建,验证,测试和利用模型,您必须执行以下操作: 创建语料库 创建特征 创建模型配置 创建模型 评估模型 使用模型 测试模型 自动化测试和过度拟合 请注意,此示例(如clj-ml-dataset
- 1.13MB
林轩田《机器学习基石》课程笔记14 -- Regularization1
2022-08-03一、Regularized Hypothesis Set 二、Weight Decay Regularization 三、Regularization and