2017年10月历史文章汇总

本文汇集了2017年10月机器学习领域的精选文章,内容涵盖深度学习、神经网络、自然语言处理等多个方向。包括吴恩达课程精华、深度强化学习、图像分析、语音交互技术等,为读者提供了丰富的学习资源。

2017年10月历史文章汇总

2017-11-01  机器学习研究会  机器学习研究会

25610017年1月历史文章汇总

2017年2月历史文章汇总

2017年3月历史文章汇总

2017年4月历史文章汇总

2017年5月历史文章汇总

2017年6月历史文章汇总

2017年7月历史文章汇总

2017年8月历史文章汇总

2017年9月历史文章汇总

2017年10月1日

【推荐】免费书(草稿):数据科学的数学基础

跟阿里云技术专家阙寒一起深度了解视频直播CDN技术

实例详解贝叶斯推理的原理

浅析强化学习及使用Policy Network实现自动化控制

2017年10月2日

【吴恩达主讲CS229机器学习】最新课程安排,附吴恩达ML算法应用建议

干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-2)神经网络和深度学习 --- 神经网络基

请收下这份关于人工智能的根目录——博客整理系列(一)

AI芯片产业生态梳理

2017年10月4日

【推荐】MXNet深度情感分析实战

干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-3)神经网络和深度学习 --- 浅层神经网络

【谷歌新项目公开】无需学编程,用手机摄像头和浏览器即可机器学习

为什么阿里会选择 Flink 作为新一代流式计算引擎?

2017年10月5日

【推荐】伪标签学习导论 - 一种半监督学习方法

每个数据科学专家都应该知道的六个概率分布

干货|结构化数据与非结构化数据的区别

基于Xgboost + LR + Keras 建模评估用户信用状态

2017年10月7日

【推荐】基于TVM工具链的深度学习编译器 NNVM compiler发布

干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-3)神经网络和深度学习 --- 浅层神经网络

【专知-PyTorch手把手深度学习教程05】Dropout快速理解与PyTorch实现: 图文+代码

Python Ubuntu虚拟机深度学习入门

2017年10月9日

【推荐】适合入门的8个趣味机器学习项目

创建一个分布式网络爬虫的故事

干货|通俗易懂讲解Deep Learning 最优化方法之AdaGrad

线下 | 将门走进小米,带你探秘首销23秒闪电告罄的小米音箱和它背后的小米大脑

2017年10月10日

【推荐】(TensorFlow)RNN入门

干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深度学习的实践方面

推荐系统经典技术:矩阵分解

NLP中自动生产文摘(auto text summarization)

2017年10月11日

【推荐】从2017年顶会论文看 Attention Model

干货|MIT线性代数课程精细笔记[第六课]-子空间与零空间

【学习】确定最佳聚类数目的10种方法

他如何从普通实习生,成长为阿里 AI 领域最年轻的 P9 之一?

2017年10月12日

预告 | 跟李沐一起动手学深度学习第四课:BatchNorm,更深的卷积神经网络,Hybridize和新的Kaggle练习

CNN模型压缩与加速算法综述

组合在线学习:实时反馈玩转组合优化

史上最全机器学习词汇宝典 看看你知道多少个呢?

2017年10月13日

深度学习医学图像分析文献集

回顾 | 小鱼在家首席音频科学家邓滨:人工智能硬件设备中的语音前处理技术研究

干货|通俗理解指数加权平均

十分钟掌握Keras实现RNN的seq2seq学习

2017年10月14日

【学习】(Python)SVM数据分类

【深度】可解释性与deep learning的发展

干货|训练集、验证集和测试集的意义

词袋模型的通俗介绍

2017年10月15日

【推荐】Quora长文:500道数据结构和算法面试问题及其解决方案

回顾 | 跟李沐一起动手学深度学习第四课:BatchNorm,更深的卷积神经网络,Hybridize和新的Kaggle练习

理解情感 :从 Keras 移植到 pyTorch

深度神经网络机器翻译

2017年10月16日

回顾 | 小鱼在家首席音频科学家邓滨:人机语音交互中的声学硬件系统剖析

课程笔记|吴恩达Coursera机器学习 Week1 笔记-机器学习基础

回顾 | 小鱼在家首席音频科学家邓滨:人机语音交互中的声学硬件系统剖析

【论文Slides分享】多媒体顶级会议ACM Multimedia 2017 China 论文宣讲会报告Slides资料分享

2017年10月20日

【深度】专业解读"深度强化学习":从AlphaGo到AlphaGoZero

回顾 | 微软亚洲研究院资深研究员王井东:卷积神经网络结构设计—从更深到更宽

对于机器学习,你必须了解的!

变种神经网络的典型代表:深度残差网络

2017年10月22日

【推荐】似然概念与应用详解

【AlphaGo核心技术-教程学习笔记02】深度强化学习第二讲 马尔科夫决策过程

干货|机器学习零基础?不要怕,吴恩达机器学习课程笔记2-多元线性回归

探秘视频编码黑科技,窄带高清2.0视觉模型及场景实战

2017年10月23日

【推荐】从CNN视角看在自然语言处理上的应用

回顾 | 跟李沐一起动手学深度学习第五课:Gluon高级和优化算法基础

【干货】Google GAN之父Ian Goodfellow ICCV2017演讲:解读生成对抗网络的原理与应用

特征工程的特征理解(一)

2017年10月24日

【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测

【GAN货】生成对抗网络知识资料全集(论文/代码/教程/视频/文章等)

机器学习必备手册

【讲座】类脑智能——从守脑启发的思维到有意识的机器

2017年10月26日

五天面试硅谷五个科技巨头并斩获全部Offer后,他分享了这些心得经验...

干货|吴恩达Coursera课程教你学习神经网络<二>!

1024天池福利大放送,海量PPT快快戳进来!

【AlphaGo Zero 核心技术-深度强化学习教程笔记06】价值函数的近似表示

2017年10月2

【推荐】caffe_ocr - 主流ocr算法研究实验性的项目,目前实现了CNN+BLSTM+CTC架构

云脑机器学习实战训练营,中美大咖携手带你飞!

干货|浅谈神经网络中激活函数的设计

【ICCV2017 Tutorial】何恺明博士最佳论文Mask R-CNN Tutorial 报告(附下载)

2017年10月30日

【推荐】CMU课程:统计机器学习(讲义+视频)

回顾 | 跟李沐一起动手学深度学习第六课:优化算法高级和计算机视觉

【重磅】深度学习顶会 ICLR 2018 匿名提交论文列表(附pdf下载链接)

用于RGB-D室内场景语义分割的门式融合局部感知反卷积网络

2017年10月31日

云栖大会100位顶级大咖演讲PPT+视频全分享!

【教程实战】Google DeepMind David Silver《深度强化学习》公开课教程学习笔记以及实战代码完整版

干货|神经网络最容易被忽视的基础知识一

线上 | UCLA在读博士生赵洁玉:EMNLP2017最佳论文--减少机器学习模型的数据偏见问题


阅读  445
1 投诉
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值