作者：安德烈·维特（Andre Veit） 领英（LinkedIn）： : 电子邮件： 信用卡欺诈检查 不平衡数据的分类和异常检测 关于本笔记本 欺诈并不是什么新鲜事物，事实上，据《您的钱》网站称，第一个欺诈记录发生在公元前300年。 如今，在互联网和数字化以惊人的速度增长的世界中，每天都通过网络实现数百万笔交易和其他操作。 这意味着欺诈者有很多机会。 幸运的是，相对而言很少。 不幸的是……这个事实使他们很难被抓住。 本笔记本的目的是探索几种处理异常检测和高度不平衡的数据集的方法。 概述： 数据探索与准备 无监督学习-异常检测 2.1。 隔离林2.2。 局部离群因子 监督学习-分类 3.1。 逻辑回归3.2。 随机森林3.3。 支持向量机 自动编码器-无监督和半监督学习 4.1。 无监督学习4.2。 半监督学习 数据集 该数据集来自Kaggle网站，可以通过以下链接找到：

去噪自动编码器 可以训练去噪自动编码器，以无人监督的方式学习特征空间的高级表示。 可以通过将经过预训练的自动编码器的一层一层堆叠在一起来创建深度神经网络。 整个网络的培训分三个阶段进行： 1.预训练：在此阶段中，对每个层进行训练，以从损坏的版本中重建原始数据。 破坏输入的不同有效方法包括： -添加小高斯噪声-将变量随机设置为任意值-随机将输入变量设置为0 2.学习：在此阶段中，将S形层和softmax层放置在堆栈的顶部，并接受有关分类任务的培训。 3.微调：使用标准反向传播算法对整个网络进行微调 ＃创建堆叠降噪自动编码器的结构sDA = StackedDA（[300，100]） # Pre-train layers one at a time, with 50% Salt and Pepper noise sDA.pre_train(X[:1000], rate=0.5, n_iters

压缩自动编码器的有损图像压缩 入门 开始实验的最快方法是使用在上训练的。 通过使用提供的脚本下载框架，可以构建任意数据集。 有关更多详细信息，下载链接和更多结果，请参见 。 训练 python train.py --config ../configs/train.yaml 例如train.yaml ： exp_name : training num_epochs : 1 batch_size : 16 learning_rate : 0.0001 # start fresh resume : false checkpoint : null start_epoch : 1 batch_every : 1 save_every : 10 epoch_every : 1 shuffle : true dataset_path : datasets/yt_small_720p num_wo

Tensorflow中的LSTM自动编码器和LSTM未来预测器。 这是基于本文的简单实现： : 要求 Tensorflow 1.4.0 的Python 3.5.4 Python软件包：numpy，matplotlib，os，argparse，scipy 用法 数据生成后实施重建或未来预测 使用旋转和移位生成数据：Image_generation.ipynb 使用LSTM自动编码器重建数据：Autoencoder.ipynb 输入重构和未来预测：AE_with_Predictor 结果 从复合模型 数据序列（从左到右）：0,1，...，t-1，t 轮换数据 在LSTM模型中输入序列数据后，重建数据并预测旋转多少 输入顺序 输入重构 未来预测 移位数据 在LSTM模型中输入序列数据后，重建数据并预测多少位移 输入顺序 输入重构 未来预测 参考实现 https://githu

matlab灰色处理代码贸易发展署 该规范是根据以下论文中描述的方法创建的：周金杰，何卓南，刘晓东，王珊珊，刘切根，王玉浩。 变换后的降噪自动编码器用于图像恢复 动机 图像恢复问题通常是不适的，可以通过事先学习图像来缓解。 受像素域和小波域联合利用先验的可观性能的启发，我们提出了一种新颖的先验变换变换去噪自动编码器（TDAEP）。 TDAEP的核心思想是通过变换域来增强经典的降噪自动编码器（DAE），该域可从多个视图捕获互补信息。 具体地，使用1级非正交小波系数来形成4通道特征图像。 此外，通过堆叠像素域下的原始图像和小波域下的4通道特征图像，可以获得5通道张量。 然后，我们使用5通道张量作为网络输入来训练变换后的DAE（TDAE）。 基于受过训练的自动编码器获得优化的图像先验，并借助辅助变量技术将其合并到迭代恢复过程中。 结果模型通过近端梯度下降技术解决。 许多实验表明TDAEP的性能优于一组图像恢复基准算法。 无花果 图1.变换域中5通道张量的形成过程流程图。 图2. TDAEP训练过程中的网络架构流程图。 图3. TDAEP的直观图示。 顶部：学习先验知识的培训阶段。 下：使用所

张量流和pytorch中的变体自动编码器 TensorFlow和PyTorch中可变自动编码器的参考实现。 我建议使用PyTorch版本。 它包括一个更具表达性的变分族的例子，。 变分推断用于使模型适合二值化MNIST手写数字图像。 推理网络（编码器）用于分摊推理并在数据点之间共享参数。 可能性通过生成网络（解码器）进行参数化。 博客文章： ： 具有重要性采样的示例输出，用于估计Hugo Larochelle的Binary MNIST数据集上的边际可能性。 测试集为-97.10边缘可能性。 $ python train_variational_autoencoder_pytor

tensorflow-mnist-VAE, MNIST变分自动编码器的Tensorflow实现 用于MNIST的变分本文介绍了一种用于 MNIST descripbed的变分自动编码器( VAE )的实现方法：基于等的自动编码变分贝叶斯。结果复制训练良好的VAE必须能够复制输入图像。图 5显示了不同dimensiona

适合生物信息学

Graph Auto-Encoders 在TensorFlow中实现图形自动编码器

请引用 Nuha、Hilal H.、Adil Balghonaim、Bo Liu、Mohamed Mohandes、Mohamed Deriche 和 Faramarz Fekri。 “用于地震数据压缩的带有极限学习机的深度神经网络。” 阿拉伯科学与工程杂志 45，没有。 3 (2020)：1367-1377。 Kasun、Liyanaarachchi Lekamalage Chamara、Hongming Zhou、Guang-Bin Huang 和 Chi Man Vong。 “使用极限学习机进行大数据的表征学习。” IEEE 智能系统 28，没有。 6 (2013): 31-34。