1、该资料总结了课中、课外以及实战中遇到的一些重要易忘知识点； 2、不管你是在学，复习还是从业者，该资料对你都有很大的助力，帮你少走弯路； 3、后续还会持续更新。

基于知识表示学习的实体对齐方法是将多个知识图谱嵌入到低维语义空间,通过计算实体向量之间的相似度实现对齐.现有方法往往关注文本信息而忽视图像信息,导致图像中实体特征信息未得到有效利用.对此,提出一种基于联合知识表示学习的多模态实体对齐方法(ITMEA).该方法联合多模态(图像、文本)数据,采用TransE与TransD相结合的知识表示学习模型,使多模态数据能够嵌入到统一低维语义空间.在低维语义空间中迭代地学习已对齐多模态实体之间的关系,从而实现多模态数据的实体对齐.实验结果表明,ITMEA在WN18-IMG数据集中能够较好地实现多模态实体对齐.

我的java第一天学习知识

本文来自作者李文哲，知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、前沿领域以及整体知识架构达到多学科融合目的的现代理论。从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。它在技术领域的热度也在逐年上升。 本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建

USTC中科大机器学习与知识发现小作业之classfication，自己写的，给以后学弟学妹一个参考

内容包括：AJAX、Web API、表单验证、控制器和路由、模型绑定、强类型、数据传值

为了提供医学数据可视化分析工具，引入了机器学习方法，以在医学数据库MIMIC-III（美国重症监护医学信息中心）中对肺部恶性肿瘤进行分类。 选择了K最近邻（KNN），支持向量机（SVM）和随机森林（RF）作为预测工具。 根据实验结果，将机器学习预测工具集成到医学数据可视化分析平台中。 该平台软件可以为医生提供灵活的医学数据可视化分析工具。 相关实践表明，即使没有经过专门的数据分析训练，医生也可以根据简单的步骤生成可视化的分析结果，以便医生对医院中积累的数据进行一些研究工作。

综述文献：A Survey on Federated Learning Systems- Vision, Hype and Reality for Data Privacy and Protection 部分知识整理 文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islands），无法简单共享数据。保护数据隐私同时，开发具有良好预测性能的联邦学习系统是一个挑战。 联邦学习系统（federated learning systems，FLSs）目标是在限制用户隐私的情况下，

嵌入式开发学习知识点梳理(高清版)

人工智能深度学习知识要点 思维导图