念慈菴

动态 发布 点评 好友 关于
  • 主题 回复 课程 资料 参考设计 电路图 文章 博客

    1. MATLAB计算机视觉与机器认知

      标签：MATLAB 计算机视觉 机器认知

      这是一本用 MATLAB演示计算机视觉原理的基础理论著作,从最初等的视频图像转换入手,层层递进,理论与实战并重但侧重于实战,借助混合编程及图形用户界面(GUI)设计,以简洁的方式展现了有一定挑战性的视频识别、目标跟踪、行为分析等关键视觉技术;同时扩展到机器认知层面,介绍仪器字符识别、机器故障诊断等有趣的应用,使读者可以在最短的时间内完成入门、进阶、精通与实战的跨越。

      资源类型 技术文档 上传时间 2024-07-16

    2. 使用 Python 进行文本分析

      标签：Python 文本分析

      书名 Applied Text Analysis with Python: Enabling Language-Aware Data Products with Machine Learning 从新闻和演讲到社交媒体上的非正式闲聊，自然语言是最丰富且最未得到充分利用的数据源之一。它不仅源源不断，始终根据上下文变化和适应；它还包含传统数据源未传达的信息。解锁自然语言的关键是通过创造性地应用文本分析。这本实用的书介绍了数据科学家使用应用机器学习构建语言感知产品的方法。 您将学习使用 Python 进行文本分析的强大、可重复和可扩展的技术，包括上下文和语言特征工程、矢量化、分类、主题建模、实体解析、图形分析和视觉引导。在本书结束时，您将掌握解决任何复杂现实问题的实用方法。

      资源类型 技术文档 上传时间 2024-07-16

    3. 用于概率、统计和机器学习的Python

      标签：机器学习 Python 概率论

      Python for Probability, Statistics, and Machine Learning 本书涵盖了这些领域中使用Python模块演示的概率、统计和机器学习的关键思想。整本书包括所有的图形和数值结果，都可以使用Python代码及其相关的Jupyter/IPython Notebooks。作者通过使用多种分析方法和Python代码的有意义的示例，开发了机器学习中的关键直觉，从而将理论概念与具体实现联系起来。现代Python模块(如panda、y和Scikit-learn)用于模拟和可视化重要的机器学习概念，如偏差/方差权衡、交叉验证和正则化。许多抽象的数学思想，如概率论中的收敛性，都得到了发展，并用数值例子加以说明。本书适合任何具有概率、统计或机器学习的本科生，以及具有Python编程的基本知识的人。

      资源类型 技术文档 上传时间 2024-06-25

    4. 贝叶斯推理和机器学习（英文）

      标签：贝叶斯推理 机器学习

      Bayesian Reasoning and Machine Learning 在过去的十年里，人们对人工智能和机器学习的兴趣有了相当大的增长。从最广泛的意义上说，这些领域旨在“学习一些有用的东西”，了解生物体所处的环境。如何处理收集到的信息导致了算法的发展——如何处理高维数据和处理不确定性。在机器学习和相关领域的早期研究阶段，类似的技术在相对孤立的研究社区中被发现。虽然不是所有的技术都有概率论的自然描述，但许多都有，它是图模型的框架(图和概率论的结合)，使从统计物理、统计、机器学习和信息理论的想法的理解和转移。在这种程度上，现在有理由期待机器学习研究人员熟悉统计建模技术的基础知识。这本书集中在信息处理和机器学习的概率方面。当然，没有人说这种方法是正确的，也没有人说这是唯一有用的方法。事实上，有人可能会反驳说，这是没有必要的，因为“生物有机体不使用概率论”。无论情况是否如此，不可否认的是，图模型和概率框架帮助机器学习领域出现了新算法和模型的爆炸式增长。我们还应该清楚，贝叶斯观点并不是描述机器学习和信息处理的唯一方法。贝叶斯和概率技术在需要考虑不确定性的领域中发挥了自己的作用。 本书结构： 本书第一部分的目的之一是鼓励计算机科学专业的学生进入这一领域。许多现代学生面临的一个特别困难是有限的正规微积分和线性代数训练，这意味着连续和高维分布的细节可能会让他们离开。在以概率作为推理系统的一种形式开始时，我们希望向读者展示他们可能更熟悉的逻辑推理和动态规划的想法如何在概率环境中有自然的相似之处。特别是，计算机科学的学生熟悉的概念，算法为核心。然而，在机器学习中更常见的做法是将模型视为核心，而如何实现则是次要的。从这个角度来看，理解如何将一个数学模型转换成一段计算机代码是核心。 第二部分介绍了理解连续分布所需的统计背景，以及如何从概率框架来看待学习。第三部分讨论机器学习的主题。当然，当一些读者看到他们最喜欢的统计话题被列在机器学习下面时，他们会感到惊讶。统计学和机器学习之间的一个不同观点是，我们最终希望构建什么样的系统(能够完成“人类/生物信息处理任务的机器)，而不是某些技术。因此，我认为这本书的这一部分对机器学习者来说是有用的。第四部分讨论了明确考虑时间的动态模型。特别是卡尔曼滤波器被视为图模型的一种形式，这有助于强调模型是什么，而不是像工程文献中更传统的那样把它作为一个“过滤器”。第五部分简要介绍了近似推理技术，包括随机(蒙特卡罗)和确定性(变分)技术。

      资源类型 技术文档 上传时间 2024-06-25

    5. 概率论与统计学导论

      标签：概率论 统计学

      Introduction to Probability and Statistics for Engineers and Scientists, 6th Edition 本书以独特的方式强调了概率如何为统计问题提供信息，从而帮助读者直观地了解执业工程师和科学家常用的统计程序。本书利用来自生命科学、工程、计算和商业领域实际研究的真实数据，通过各种练习和示例帮助读者理解。章节末尾的材料回顾强调了关键思想，还讨论了每种材料的实际应用相关的风险。在新版本中，内容包括有关大数据和 R 使用的信息。 本书适用于工程专业高年级本科生和研究生，以及生物、物理和计算机科学系的学生。它也适合科学家、工程师和其他寻求基础内容和应用参考的专业人士。

      资源类型 技术文档 上传时间 2024-06-25

    6. 面向数据科学的高级线性模型

      标签：线性模型 机器学习 统计学

      Advanced linear models for data science 线性模型是统计方法论的基石。统计学、生物统计学、机器学习、数据科学、计量经济学等学科的高级学生可能比其他任何工具都更应该花时间学习这门学科的细节。在这本书中，我们对高级线性模型作了简短而严格的处理。它是先进的，在某种意义上，它是一个初级的博士生在统计学或生物统计学会看到的水平。这本书中的材料是任何统计学或生物统计学博士的标准知识。在尝试学习这门课程之前，学生将需要相当数量的数学先决条件。首先是多元微积分和线性代数。特别是线性代数，因为线性模型的许多早期部分是线性代数结果在统计背景下的直接应用。此外，一些基于数学的基本证明是遵循证明所必需的。此外，还需要一些回归模型和数理统计。

      资源类型 技术文档 上传时间 2024-06-25

    7. 面向机器学习的自然语言标注

      标签：机器学习 自然语言理解

      Natural Language Annotation for Machine Learning 自然语言理解是人工智能的一个重要分支，主要研究如何利用电脑来理解和生成自然语言。本书重点介绍了自然语言理解所涉及的各个方面，包括语法分析、语义分析、概念分析、语料库语言学、词汇语义驱动、中间语言、WordNet、词汇树邻接文法、链接文法、基于语段的机器翻译方法、内识别与文本过滤、机器翻译的评测等，既有对基础知识的介绍，又有对新研究进展的综述，同时还结合了作者（JamesPustejovsky，生成词库理论的创始人）多年的研究成果。本书内容全面、详略得当，结合实例讲解，使读者更易理解。

      资源类型 技术文档 上传时间 2024-06-25

    8. 统计学全书：统计推断简明课程

      标签：统计学

      All of Statistics: A Concise Course in Statistical Inference 本书涵盖了比典型的数理统计入门书更广泛的主题。这本书适合那些想快速学习概率和统计学的人。它适合计算机科学、数学、统计学和相关学科的研究生或高年级本科生。本书包括非参数曲线估计、自举和分类等现代主题，这些主题通常被归入后续课程。读者应该了解微积分和一点线性代数。不需要概率和统计学方面的先验知识。统计学、数据挖掘和机器学习都与收集和分析数据有关。

      资源类型 技术文档 上传时间 2024-06-25

    9. 使用 Python 构建机器学习系统（英文）

      标签：Python 机器学习

      Building Machine Learning Systems with Python, Second Edition 使用机器学习从数据中获得更深入的见解是现代应用程序开发人员和分析师都需要的一项关键技能。Python 是一种开发机器学习应用程序的绝佳语言。作为一种动态语言，它允许快速探索和实验。凭借其出色的开源机器学习库集合，您可以专注于手头的任务，同时能够快速尝试许多想法。 本书向您展示了如何在原始数据中查找模式。您将从复习 Python 机器学习知识和介绍库开始。您将很快掌握关于数据集的严肃的现实世界项目，使用建模，创建推荐系统。随后，本书涵盖了主题建模、购物篮分析和云计算等高级主题。这些将扩展您的能力并使您能够创建大型复杂系统。 通过本书，您将获得构建自己的系统所需的工具和理解，这些系统旨在解决您的现实世界数据分析问题。

      资源类型 技术文档 上传时间 2024-06-25

    10. 自动化机器学习：方法、系统、挑战

      标签：机器学习

      《Automated Machine Learning: Methods, Systems, Challenges》 本书全面概述了自动机器学习 (AutoML) 的一般方法，收集了基于这些方法的现有系统的描述，并讨论了 AutoML 系统的第一系列国际挑战。商业 ML 应用的近期成功和该领域的快速发展对现成的 ML 方法产生了很高的需求，这些方法可以轻松使用且无需专业知识。然而，许多最近的机器学习成功都依赖于人类专家，他们手动选择合适的 ML 架构（深度学习架构或更传统的 ML 工作流程）及其超参数。为了解决这个问题，AutoML 领域的目标是逐步实现机器学习的自动化，基于优化和机器学习本身的原理。这本书是研究人员和高级学生进入这个快速发展的领域的切入点，也为旨在在工作中使用 AutoML 的从业者提供了参考。

      资源类型 技术文档 上传时间 2024-06-25

    11. 机器学习入门课程（第二版，英文）

      标签：机器学习

      《A First Course in Machine Learning, 2nd edition》 本书涵盖了理解一些最流行的机器学习算法所需的核心数学和统计技术。所介绍的算法涵盖了机器学习中的主要问题领域：分类、聚类和投影。主题包括线性建模、进行预测、向量/矩阵表示法以及线性模型的非线性响应。

      资源类型 技术文档 上传时间 2024-06-25

    12. 机器学习的数学 “百科全书”(代数，拓扑，微积分和优化理论)

      标签：机器学习

      此书来自宾夕法尼亚大学计算机与信息科学系，涵盖代数，拓扑，微积分和优化理论。 内置9大章节，1962页全面丰富的计算机科学和机器学习相关数学知识，有教学，还有习题。

      资源类型 技术文档 上传时间 2024-06-25

    13. Mask R-CNN 在PCB 电路板制造缺陷检测中的应用

      标签：PCB电路板 缺陷检测 深度学习

      本文提出了一项初步研究，以分析 ML 在印刷电路板 (PCB) 制造过程中执行自动光学检测 (AOI) 以进行质量控制的能力。在这个特定案例中，目标是调查 Mask R-CNN 方法在制造过程后对主要 PCB 缺陷进行个体化的性能。这项研究是在考虑其他 ML 技术使用的可用开源数据集的情况下进行的。因此，本研究旨在验证所采用的 ML 解决方案对管理此应用程序的有效性。

      资源类型 学术论文 上传时间 2024-06-25

    14. 面向自然语言处理的知识图谱嵌入：从理论到实践

      标签：自然语言处理 知识图谱

      知识图谱嵌入是监督学习模型，学习带标签、有向多图的节点和边的向量表示。我们描述了它们的设计原理，并解释了为什么它们在图表示学习和更广泛的NLP社区中受到越来越多的关注。我们强调了它们的局限性、开放的研究方向和真实世界的用例。除了理论概述之外，我们还提供了一个handson会议，在那里我们展示了如何在实践中使用这些模型。

      资源类型 教程及课件 上传时间 2024-06-25

    15. 面向自然语言处理的知识增强方法（WSDM2023教程）

      标签：自然语言处理 NLP

      特别是在大规模预训练模型出现后，NLP中的知识一直呈上升趋势。注意力知识的NLP模型可以i)访问无限数量的外部信息;Ii)将参数空间中的知识存储任务委托给知识源;Iii)获取最新信息;Iv)通过选择知识，使预测结果更具可解释性。在本教程中，我们将介绍将知识集成到NLP中的关键步骤，包括来自文本的知识基础，知识表示和融合。本文还将介绍最近在将知识融合到语言理解、语言生成和常识推理方面的最先进应用。

      资源类型 教程及课件 上传时间 2024-06-25

    16. 自然语言处理中的对抗性攻击和防御技术_PPT

      标签：自然语言处理 对抗性攻击

      《Attacks in NLP》，自然语言处理中的对抗性攻击和防御技术（157页 ppt） Outline ? Introduction ? Evasion Attacks and Defenses ? Imitation Attacks and Defenses ? Backdoor Attacks and Defenses ? Summary

      资源类型 教程及课件 上传时间 2024-06-25

    17. 基于卷积神经网络的图像判别分析

      标签：人工智能 深度学习 卷积神经网络 图像判别

      作为人工智能领域的研究重点，机器学习近年衍生出了各式各样的智能化应用，例如图像判别、语音助手和智能翻译等。尤其是图像判别技术已在各行业进行了大量的研究和实践，城市领域也不例外，这很大程度上是因为深度学习的卷积神经网络在计算机视觉领域取得了令人瞩目的成果。这也使得训练计算机判别建筑风格、城市肌理等城市特征的准确率大幅提升。本研究立足于深度学习图像判别技术，探索卷积神经网络在城市感知方面的应用。鉴于直接利用现成开源的带标签图像数据集训练个性化图像判别模型可能带来局限性和误差，本研究探索了从收集数据到自定义训练数据集，到搭建满足特定需求的图像判别模型的整体流程，并通过三个实验案例 ：城市风貌分析、城市问题侦测和城市肌理评估，阐明深度学习在城市感知和城市规划中的应用可能性及潜力。

      资源类型 学术论文 上传时间 2024-06-25

    18. 基于深度学习的三维数据分析理解方法研究综述

      标签：深度学习 特征提取

      基于深度学习的三维数据分析理解方法研究综述

      资源类型 学术论文 上传时间 2024-06-25

    19. 基于嵌入式AI模组的3D视觉应用开发实践

      标签：嵌入式AI 3D视觉

      大纲： 1、3D视觉在嵌入式设备中的应用现状与挑战 2、面向嵌入式设备的高精度3D人脸识别算法设计 3、AlphaLook 嵌入式AI视觉模组详解 4、基于嵌入式AI模组的3D人脸识别应用开发实践

      资源类型 教程及课件 上传时间 2024-06-25

    20. 利用赛灵思器件上的 INT8优化开发嵌入式视觉

      标签：FPGA 嵌入式视觉 深度学习

      本白皮书探讨将 INT8 运算用于实现在赛灵思 DSP48E2 片上、使用深度学习推断和计算机视觉功能的嵌入式视觉应用，以及这种方案与其他 FPGA 的对比。与占用相同资源数量的其他 FPGA 相比，赛灵思的 DSP 架构对 INT8 乘法累加(MACC) 运算能实现 1.75 倍的峰值解决方案级性能。由于嵌入式视觉应用可以在不牺牲准确性的情况下使用较低位精度，因此需要高效的 INT8 实现方案。赛灵思的 DSP 架构和库针对 INT8 运算进行了精心优化。本白皮书介绍如何使用赛灵思 16nm 和 20nm All Programmable 器件中的 DSP48E2 Slice，在共享相同内核权重的同时处理两个并行的 INT8 MACC 运算。本白皮书还阐述了要运用赛灵思这一独特技术，为何输入的最小位宽为 24 位。此外本白皮书还详细介绍了如何以 SIMD 模式使用 DSP48E2 Slice，供基本算术运算使用。另外还提供在深度学习领域或其他计算机视觉处理任务领域如何将这些功能用于嵌入式视觉的实例。

      资源类型 应用文档 上传时间 2024-06-25

第1页首页尾页    总共3页跳转

最近访客

< 1/6 >

统计信息

已有99人来访过

  • 芯积分：5568
  • 好友：--
  • 主题：13
  • 回复：7

留言

你需要登录后才可以留言 登录 | 注册

现在还没有留言

推荐博文