实用机器学习

Extreme Learning Machine Combining Matrix Factorization for Collaborative Filtering

Extreme Learning Machine Combining Matrix Factorization for Collaborative Filtering

2017-Deep Matrix Factorization Models for Recommender Systems.pdf

2017-Deep Matrix Factorization Models for Recommender Systems

Matrix factorization for multivariate time series analysis

Matrix factorization is a powerful data analysis tool. It has been used in multivariate time series analysis, leading to the decomposition of the series in a small set of latent factors. However, ...

《Learning the parts of objects by nonnegative matrix factorization》

【简介】一篇关于nonnegative matrix factorization（非负矩阵分解）的应用文章。 【语言】英文

Machine Learning for Text

– Basic algorithms: Chapters 1 through 7 discuss the classical algorithms for machine learning from text such as preprocessing, similarity computation, topic modeling, matrix factorization, ...

Machine.Learning.for.Adaptive.Many-Core.Machines.331

Chapter 7 Non-Negative Matrix Factorization (NMF) Chapter 8 Deep Belief Networks (DBNs) Part IV Large-Scale Machine Learning Chapter 9 Adaptive Many-Core Machines Appendix A Experimental Setup and ...

机器学习 -- Matrix Factorization

Matrix Factorization More about Matrix Factorization Matrix Factorization for Topic analysis

Projected Gradient Methods for Non-negative Matrix Factorization

Projected Gradient Methods for Non-negative Matrix Factorization Chih-Jen Lin Department of Computer Science Abstract Non-negative matrix factorization (NMF) can be formulated as a minimization ...

MahNMF Manhattan Non-negative Matrix Factorization

% Manhattan Non-negative Matrix Factorization. % ManhNMF: Matlab Code for Efficient Robust Manhattan NMF Solver % Reference % [1] N. Guan, D. Tao, Z. Luo, and J. Shawe-taylor, "MahNMF: Manhattan % ...

机器学习技法15 - 2 - Basic Matrix Factorization (16-32).mp4

机器学习技法15 - 2 - Basic Matrix Factorization (16-32).mp4

Basics of Linear Algebra for Machine Learning

and step-by-step tutorial lessons, you will discover what linear algebra is, the importance of linear algebra to machine learning, vector, and matrix operations, matrix factorization, principal ...

Basics of Linear Algebra for Machine Learning (Python)

Factorization. Discover a suite of methods for decomposing a matrix into its constituent elements in order to make numerical operations more efficient and more stable. Statistics. Discover statistics ...

论文研究-Graph Regularized Multi-view Nonnegative Matrix Factorization with Structured Sparsity.pdf

基于图正则结构化稀疏的多视图非负矩阵分解，彭进业，罗鹏，非负矩阵分解由于其心理学和生理学构造依据是整体由部分的感知构成而受到广泛关注。另一方面，现实中的数据集通常由多个互补和兼

Convolutional Matrix Factorization for Document Context-Aware Recommendation.pdf

2016-Convolutional Matrix Factorization for Document Context-Aware Recommendation

Algorithms for Non-negative Matrix Factorization

Algorithms for Non-negative Matrix Factorization

Matrix factorization techniques for recommender systems

Matrix factorization techniques for recommender systems 数据采集文档

Probabilistic Matrix Factorization概率矩阵分解Python源代码

基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，自己做实验的源代码Probabilistic Matrix Factorization

Probabilistic Matrix Factorization

Probabilistic Matrix Factorization NIPS 2008（神经信息处理系统进展大会） Conference on Neural Information Processing Systems

Ppattern Recognition and Machine Learning

3.1.3 Sequential learning . . . . . . . . . . . . . . . . . . . . . . 143 3.1.4 Regularized least squares . . . . . . . . . . . . . . . . . . . 144 3.1.5 Multiple outputs . . . . . . . . . . . . . . ....

Recent Advances in Nonnegative Matrix Factorization.pdf

【IEEE ICASSP 2022教程】非负矩阵分解的最新进展，266页ppt 自Paatero & Tapper(1994)和Lee & Seung(1999)的开创性著作引入非负矩阵分解(NMF)以来，已经过去了二十多年。此后，NMF在音频源分离、高光谱解混、用户...

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

yolov8调用zed相机实现三维测距（版本一）

yolov8调用zed相机实现三维测距（版本一），具体内容见博客https://blog.csdn.net/qq_45077760?type=blog

基于Python+pytorch的图像处理+附完整代码图像处理，能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作

Python+PyTorch：图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里，Python和PyTorch这对黄金搭档，就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”，总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性，引领着图像处理技术的发展潮流，让无数开发者为之倾倒。Python，这位优雅的魔法师，以其简洁易懂的语法和丰富的库资源，赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习，Python都能轻松应对，展现出其无与伦比的魅力。在图像处理领域，Python更是如鱼得水，通过OpenCV、PIL等库，能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作，让图像在指尖起舞。而PyTorch，这把图像处理界的“瑞士军刀”，则以其灵活性和易用性，成为深度学习领域的翘楚。它拥有强大的自动求导功能，能够轻松构建和训练复杂的神经网络模型。在图像处理中，PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型，让图像焕发出新的生机。想象一下，当你掌握了Python和PyTorch这对黄金搭档，就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。