Advertisement

Supervised-Image-Learning-on-MNIST-with-SVM-and-Logistic-Regression

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本项目通过支持向量机(SVM)和逻辑回归在MNIST数据集上进行监督图像学习，对比分析两种算法在手写数字识别中的性能。 利用SVM和支持向量机进行MNIST数据集的监督图像学习。有两个相关的Python文件：一个是用于逻辑回归的`log_reg.py`，另一个是用于支持向量机（SVM）的`SVM.py`。这些程序既可以在PyCharm中运行，也可以通过在终端输入“python log_reg.py”和“python SVM.py”来执行。可以按照原样运行这两个文件，或者调整以下部分或全部超参数后运行： - `num_epochs`: 训练的周期数 - `learn_rate`: 随机梯度下降（SGD）的学习率 - 动量：随机梯度下降动量中的动量大小

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Supervised-Image-Learning-on-MNIST-with-SVM-and-Logistic-Regression
    优质
    本项目通过支持向量机(SVM)和逻辑回归在MNIST数据集上进行监督图像学习，对比分析两种算法在手写数字识别中的性能。 利用SVM和支持向量机进行MNIST数据集的监督图像学习。有两个相关的Python文件：一个是用于逻辑回归的`log_reg.py`，另一个是用于支持向量机（SVM）的`SVM.py`。这些程序既可以在PyCharm中运行，也可以通过在终端输入“python log_reg.py”和“python SVM.py”来执行。可以按照原样运行这两个文件，或者调整以下部分或全部超参数后运行： - `num_epochs`: 训练的周期数 - `learn_rate`: 随机梯度下降（SGD）的学习率 - 动量：随机梯度下降动量中的动量大小
  • Hands-On Machine Learning with Python: Concepts and Applications...
    优质
    《Hands-On Machine Learning with Python》是一本实践导向的机器学习书籍，通过Python语言教授核心概念和应用。书中涵盖各种算法及模型，并提供大量案例研究。适合初学者与进阶读者阅读。 Hands On Machine Learning with Python by John Anderson, published on 6 Aug. 2018, has an ISBN of 1724731963 and contains 224 pages in EPUB format with a file size of 2.22 MB.
  • Clinical-grade Computational Pathology with Weakly Supervised Learning...
    优质
    本文探讨了基于弱监督学习的临床级计算病理学方法，旨在提高医学图像分析的准确性和效率，促进精准医疗的发展。 全球首个临床级病理AI系统原始码及复现介绍： 官方Github提供了主要的代码库。 个人补充部分数据集下载：我自己申请了一个数据集，大小约为50G左右，可以使用提供的密码进行下载（注意：此处不提供具体链接和密码）。 数据准备： - 官方接口需要指定格式，请参考code/README.md。 - 我自己写了一些脚本帮助大家更方便地处理数据。请查看code/dataPrepare_for_CNN.py 和 code/dataPrepare_for_Rnn.py，只需调整相关路径即可使用。 训练及测试： - 将官方代码修改为单机多GPU并行模式以加速训练过程，并且对于单个GPU也无需更改任何代码。 - 具体运行命令请参考code/README.md - 运行流程如下： - 使用 code/dataPrepare_for_CNN.py 生成MIL所需的数据； - 接下来，使用 code/MIL_train.py 和 code/MIL_test.py （注意这一步较慢）进行训练和测试。 - 最后，运行代码 dataPrepare_for_Rnn.py ，以准备RNN模型需要的输入数据。
  • Kernel Regression with Variable Window Width: Gaussian Kernel Regression and Local Linear Gaussian Kernel
    优质
    本文提出使用可变窗口宽度的高斯核回归和局部线性高斯核回归方法，以提高非参数回归模型的灵活性与精度。 这与 ksr 和 ksrlin 相同（文件 ID：#19195 和 #19564），但不是对每个点使用相同的带宽，而是使用由每个点到其第 k 个最近邻点的距离给出的可变带宽。
  • Deep Learning (Series on Adaptive Computation and Machine Learning)...
    优质
    《深度学习》是麻省理工出版社自适应计算与机器学习系列的一部分，该书全面介绍了人工神经网络和深度学习模型及其应用，为研究人员和从业者提供了宝贵的资源。 《深度学习》（适应性计算与机器学习系列）最新中文版。
  • Deep Learning (Series on Adaptive Computation and Machine Learning)...
    优质
    《深度学习》是麻省理工学院出版社“自适应计算与机器学习系列”中的一部重要著作，系统阐述了深度学习领域的核心理论和技术。 Deep Learning (Adaptive Computation and Machine Learning series) is authored by Ian Goodfellow, a Research Scientist at OpenAI; Yoshua Bengio, Professor of Computer Science at the Université de Montréal; and Aaron Courville, Assistant Professor of Computer Science at the Université de Montréal.
  • Learning Core Audio on iOS and macOS
    优质
    本书《Learning Core Audio on iOS and macOS》深入浅出地讲解了如何在iOS和macOS平台上使用Core Audio进行音频开发，适合希望掌握苹果设备音效编程的技术爱好者和开发者阅读。 A Hands-On Guide to Audio Programming for Mac and iOS Core Audio is the most powerful system for audio programming that has been created, but its complexity often limits access to it. While much of this knowledge remains within the grasp of dedicated audio enthusiasts like Kevin, Chris has managed what others have not: making Core Audio comprehensible to a broader audience.
  • Probability, Statistics, and Machine Learning with Python
    优质
    本书通过Python编程语言介绍概率论、统计学和机器学习的基础知识与应用技巧，适合初学者和进阶读者阅读。 《Python for Probability, Statistics, and Machine Learning》这本书主要关注的是利用Python语言进行概率统计和机器学习领域的学习与应用。标签“python Machine Learning 机器学习”直接指向了本书的核心内容，即使用Python编程在机器学习领域中的实践。 该书由José Unpingco编写，并于2019年出版第二版，更新并扩展了有关Python版本3.6+兼容的内容。书中不仅包含关于重要概率分布的新材料、关键推导和示例代码，还基于第一版的反馈对多个现有章节进行了修订以提升清晰度。 本书的核心知识点包括： 1. Python编程语言在统计学和机器学习中的应用。 2. 机器学习的概念与实践方法。 3. 概率论在数据分析中所扮演的关键角色。 4. 统计学基础，它是开发和评估机器学习算法的基础部分。 5. 对Python版本3.6+的适配性，体现了对最新技术的应用跟进。 书中还增加了关于重要概率分布的新章节，并提供了关键推导过程与示例代码。这使得本书不仅是一本理论书籍，同时也是一个实用的学习工具。此外，作者根据读者反馈改进了内容的清晰度和易读性，旨在帮助读者更好地理解复杂的概念并应用于实际操作中。 总的来说，《Python for Probability, Statistics, and Machine Learning》适合希望使用Python进行数据科学相关工作的专业人士与学生阅读。通过学习本书的内容，读者可以掌握如何利用Python来分析数据、开发统计模型，并构建及优化机器学习算法。
  • Logistic Regression Assignment 1.py
    优质
    这段Python代码实现了逻辑回归算法的基础应用，主要用于处理二分类问题。它包含数据预处理、模型训练以及评估等核心步骤。 Coursera NLP第一周作业要求学生完成一系列任务来理解自然语言处理的基础概念和技术。这些任务旨在帮助学习者掌握如何使用Python编程进行文本预处理、词形还原以及命名实体识别等技能。此外，通过实践练习，学员能够更好地理解和应用课程中讲授的理论知识。 为了顺利完成该部分的学习内容，建议学生仔细阅读相关章节，并积极参与在线讨论板上的交流活动以获取更多学习资源和帮助。同时，在遇到问题时可以参考Coursera平台上提供的其他同学分享的经验贴或求助于助教团队获得解答和支持。