《数据挖掘导论》(英文版)对数据挖掘进行了全面介绍，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。《数据挖掘导论》(英文版)涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章：前面一章讲述基本概念、代表性算法和评估技术，而后面一章较深入地讨论高级概念和算法。目的是在使读者透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量例子、图表和习题。
2022-05-20 11:46:24
49.3MB
1
SOM神经网络
SOM神经网络是一种基于模型的聚类方法。SOM神经网络由输入层和竞争层组成。
输入层由N个输入神经元组成，竞争层由mm = M个输出神经元组成，且形成一个二维平面阵列。
输入层各神经元与竞争层各神经元之间实现全互连接。
该网络根据其学习规则，通过对输入模式的反复学习，捕捉住各个输入模式中所含的模式特征，并对其进行自组织，在竞争层将聚类结果表现出来，进行自动聚类。竞争层的任何一个神经元都可以代表聚类结果。
2022-05-20 07:57:37
598KB
1
本文从实战的角度出发，带领大家感受一下MixNet，我们还是使用以前的植物分类数据集，模型采用mixnet_m。
通过本文你可以学习到：
1、如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？
2、如何调用自定义的模型？
3、如何使用混合精度训练？
4、如何使用梯度裁剪防止梯度爆炸？
5、如何使用DP多显卡训练？
6、如何绘制loss和acc曲线？
7、如何生成val的测评报告？
8、如何编写测试脚本测试测试集？
9、如何使用余弦退火策略调整学习率？
原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124845052
2022-05-19 12:05:33
996.96MB
在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别
这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。
处理：
清理并合并数据
根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。
将数据分为训练（80％）和测试（20％）集。
通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。
使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。
创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。
在整个训练期间，
2022-05-19 11:49:05
151MB
1