驾驶员行为集群 介绍 在此项目中，我们尝试创建一个统计模型以基于CAN总线传感器数据对驾驶员行为进行聚类。 我们将使用层次聚类，根据驾驶员的行为和驾驶方式对其进行识别和分组。 驱动程序的此标识可用于改进。 资料准备 overview.csv 数据集包含42个参数（列）和60个变量（观测值）， 数据清理 在进行数据分析之前，我们需要清理数据集： 转换类型，将缺失值替换为零。 通过绘制相关系数矩阵，我们可以考虑具有最低相关系数的变量，它们是解释变异性的变量。 同样，此步骤将使我们减少在分析中要考虑的参数数量。 特征 id ：车辆的标识符。 odo ：车辆的里程表读数，以km为单位。 dist ：时间段内的行驶距离。 fuelc ：报告期内行驶，空转和使用取力器时的总油耗（升）。 idle ：怠速模式下的发动机运行时间，表示为HH：MM：SS pause ：发动机运行时间，暂停表示为HH：MM

深度半监督学习是一个快速发展的领域，具有一系列的实际应用。本文从模型设计和无监督损失函数的角度对深度半监督学习方法的基本原理和最新进展进行了全面的综述。

超级简单的算法运算题哦！

机器学习是计算机科学以及信号信息处理领域中重要的热点研究领域，在多个领域（数据挖掘、大数据分析、视频技术、音频技术、智能机器人技术等）成为关键核心和支撑技术。这里提供的课件和代码包含了学生需要了解的主流的机器学习理论、方法及算法，并结合应用范例帮助学生掌握监督学习、非监督学习、统计学习、计算学习、贝叶斯学习等基本学习的理论、模型算法及应用。

数字化安全生产管理监督系统.pdf

基于重构的多工况过程无监督故障幅值估计

用于半监督分类的图形卷积网络（GCN）的PyTorch实现

使用质量约束的稀疏编码进行盲目图像质量评估的监督词典学习

通过去除不相关和多余的特征，特征选择旨在找到具有良好泛化能力的原始特征的紧凑表示。 随着无标签数据的普及，无监督特征选择已显示出可有效减轻维数的诅咒，对于全面分析和理解无标签高维数据的无数至关重要，这是由于子空间聚类中低秩表示法的成功所致，我们提出了一种用于无监督特征选择的正则化自我表示（RSR）模型，其中每个特征都可以表示为其相关特征的线性组合。 通过使用L-2，L-1-范数来表征表示系数矩阵和表示残差矩阵，RSR有效地选择了代表性特征并确保了对异常值的鲁棒性。 如果某个特征很重要，则它将参与大多数其他特征的表示，从而导致出现大量的表示系数，反之亦然。 对合成数据和现实世界数据进行的实验分析表明，该方法可以有效地识别代表性特征，在聚类精度，冗余减少和分类精度方面优于许多最新的无监督特征选择方法。

Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval(CVPR2018)