《统计学习方法》——统计学习监督及监督学习概论

《统计学习方法》——无监督学习概论

由于不确定因素多、电网规模大，原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法，一方面通过在系统抽样环节引入CE构建元件的最优概率分布，减小方差变化，加快指标收敛速度；另一方面，采用ELM对重要抽样的状态样本进行有监督学习，以所构建的网络学习模型替代传统非线性规划方法进行状态评估，提高单次系统状态评估的效率，从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估，与原始MCS和CE重要抽样的对比结果表明，在一定的误差范围内所提算法合理、有效，其计算效率较原始MCS和CE显著提高。

贸易协定 该存储库是论文pytorch版本。 介绍 T-TA或T基于ransformer-T EXT一个utoencoder，是监督学习任务的新深双向语言模型。 T-TA学习了直接的学习目标，即语言自动编码，该功能可以只使用上下文自动预测句子中的所有标记。 与“掩蔽语言模型”不同，T-TA具有自掩蔽机制，以避免仅将输入复制到输出。 与BERT（用于微调整个预先训练的模型）不同，T-TA特别有利于获得上下文嵌入，这些嵌入是从训练的语言模型的隐藏层生成的每个输入令牌的固定表示。 T-TA模型体系结构基于模型体系结构，而模型体系结构主要是标准的体系结构。 这段代码基于，其中包括用于构建自定义词汇表，准备Wikipedia数据集等的方法。 用法 from tta . modeling_tta import TTALMModel from transformers import AutoToken

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的探索与 可视化，还可以用作数据压缩和预处理等。PCA可以把具有相关性的高维变量合成为线性无关的低维变

情感识别 机器学习算法将人脸分为七类（即愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性）之一。

SNN-赛车-SL 使用监督学习训练SNN模型以解决CarRacing问题 我们首先使用CNN模型来训练人类在CarRacing Game中玩游戏收集的数据集。 然后，我们使用Spike-CNN模型训练数据集并比较两个模型的性能。

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.

详细地表述了半监督学习的适用范围，以及算法和注意事项。