- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
eeglab教程系列(16)-TimeFrequency decomposition
为了检测ERSP(event-related spectral perturbation)和ITC(inter-trial coherence) , 这里进行如下操作：Plot > Time frequency transforms > Channel time-frequency：
92340编辑于 2022-08-17 - 来自专栏量化小白上分记
R语言模拟:Bias Variance Decomposition
接上一篇《R语言模拟：Bias-Variance trade-off》，本文通过模拟分析算法的泛化误差、偏差、方差和噪声之间的关系，是《element statistical learning》第七章的一个案例。
1.3K10发布于 2019-08-29 - 来自专栏Michael阿明学习之路
奇异值分解（Singular Value Decomposition，SVD）
Am×n=UΣVTUUT=ImVVT=InΣ=diag(σ1,σ2,...,σp)σ1≥σ2≥...≥σp≥0p=min(m,n)A_{m \times n} = U \Sigma V^T\\ UU^T=I_m\\ VV^T=I_n\\ \Sigma=diag(\sigma_1,\sigma_2,...,\sigma_p) \\ \sigma_1\ge \sigma_2 \ge...\ge\sigma_p \ge0\\ p=\min(m,n)Am×n=UΣVTUUT=ImVVT=InΣ=diag(σ1,σ2,...,σp)σ1≥σ2≥...≥σp≥0p=min(m,n)
1.7K10发布于 2020-07-13 - 来自专栏机器学习与统计学
sklearn.decomposition.PCA 参数速查手册
调用 sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False, svd_solver='auto', tol=0.0,
1.4K40发布于 2020-02-12 - 来自专栏计算机视觉理论及其实现
Deep Retinex Decomposition for Low-Light Enhancement
Retinex模型是微光图像增强的有效工具。假设观测图像可以分解为反射率和光照。大多数现有的基于retinx的方法都为这种高度病态分解精心设计了手工制作的约束条件和参数，当应用于各种场景时，可能会受到模型容量的限制。在本文中，我们收集了一个包含低/正常光图像对的低光数据集(LOL)，并提出了在该数据集上学习的深度视网膜网络，包括用于分解的解分解网和用于光照调整的增强网。在解压网络的训练过程中，分解的反射率和光照没有ground truth。该网络仅在关键约束条件下学习，包括成对低/正常光图像共享的一致反射率和光照的平滑度。在分解的基础上，通过增强网络对光照进行亮度增强，联合去噪时对反射率进行去噪操作。Retinex-Net是端到端可训练的，因此学习的分解本质上有利于亮度调整。大量实验表明，该方法不仅在弱光增强方面具有良好的视觉效果，而且能很好地表征图像的分解。
3.7K20编辑于 2022-09-02 - 来自专栏Michael阿明学习之路
基于sklearn.decomposition.TruncatedSVD的潜在语义分析实践
1. sklearn.decomposition.TruncatedSVD sklearn.decomposition.TruncatedSVD 官网介绍 class sklearn.decomposition.TruncatedSVD LSA.py # @Reference: https://cloud.tencent.com/developer/article/1530432 import numpy as np from sklearn.decomposition
1K21发布于 2020-07-13 - 来自专栏脑机接口
eeglab中文教程系列(15)-TimeFrequency decomposition
为了检测ERSP(event-related spectral perturbation)和ITC(inter-trial coherence) , 这里进行如下操作：Plot > Time frequency transforms > Channel time-frequency：
65520发布于 2020-06-29 - 来自专栏翻译scikit-learn Cookbook
Using factor analysis for decomposition分解之因子分析
first need to load the factor analysis class:为了比较PCA和因子分析，我们再次使用iris数据集，单我们首先需要载入因子分析类： from sklearn.decomposition
78101发布于 2019-11-01 - 来自专栏脑机接口
eeglab中文教程系列(15)-TimeFrequency decomposition
本教程为脑机学习者Rose发表于公众号：脑机接口社区(微信号：Brain_Computer),QQ交流群：903290195
3.8K00发布于 2019-11-04 - 来自专栏数据魔术师
运筹学教学|Benders decomposition（一）技术介绍篇
相约女神节 biu~ biu~ biu~ 我们的运筹学教学推文又出新文拉 还是熟悉的配方，熟悉的味道 今天向大家推出的是 Benders decomposition（一）技术介绍篇 1.背景介绍 参考文献: [1].https://en.wikipedia.org/wiki/Benders_decomposition [2].Florian M, Bushell G, Ferland J, et MulticommodityDistribution System Design by Benders Decomposition[J].
15.7K82发布于 2018-04-19 - 来自专栏深度学习之tensorflow实战篇
Core-periphery decomposition--核心-外围模型R代码整理
SNA中：中心度及中心势诠释（不完整代码） Core-periphery decomposition--核心-外围模型R代码整理 本文是从网易博客搬家过来的，具体模型图片无法显示，暂时通过 流程直通车连接
1.2K30发布于 2018-03-19 - 来自专栏深度学习之tensorflow实战篇
Core-periphery decomposition--核心-外围模型R代码整理
SNA中：中心度及中心势诠释（不完整代码） Core-periphery decomposition--核心-外围模型R代码整理 本文是从网易博客搬家过来的，具体模型图片无法显示，暂时通过 流程直通车连接
89240发布于 2019-02-14 - 来自专栏数据魔术师
Python AI 教学|SVD（Singular Value Decomposition）算法及应用
如果一个向量v是方阵A的特征向量，则将其可以表示为Av=λv。λ被称为特征向量v对应的特征值。
3.5K40发布于 2019-10-18 - 来自专栏翻译scikit-learn Cookbook
Decomposition to classify with DictionaryLearning降维之字典学习的分类
In this recipe, we'll show how a decomposition method can actually be used for classification. How to do it...怎么做 First, import DictionaryLearning :首先导入DictionaryLearning from sklearn.decomposition
66200发布于 2019-11-04 - 来自专栏机器学习、深度学习
二值网络--Training Binary Weight Networks via Semi-Binary Decomposition
ECCV2018 CNN模型的压缩或加速总体上分为三类： pruning-based methods, low-rank decomposition based methods, and quantization-based methods 本文属于 low-rank decomposition based methods，基本的思路就是对于实数值权重 W 我们对其进行矩阵分解为 UDV ，其中 U 和 V 是二值矩阵， To solve Eq. (4), we propose an alternating optimization method i.e. iteratively update one decomposition 3.3 Featuremap-Oriented Semi-Binary Factors 直接对网络所有层的 W 使用 semi-binary decomposition 进行分解有两个弊端：1）在前向计算时 2）直接对整个网络使用 semi-binary decomposition 会造成精度的较大下降，因为量化误差通过多层的累积。 如何解决这个问题了？
65020发布于 2019-05-28 - 来自专栏数据魔术师
运筹学教学|Benders Decomposition （二）应用实例及算法实现（附源代码及详细的代码注释）
我们在运筹学教学|Benders Decomposition（一）技术介绍篇中已经介绍了Benders Decomposition的基本原理，下面为大家提供具体的应用实例和相应的代码。
3.1K51发布于 2020-06-17 - 来自专栏数据魔术师
运筹学教学|Berders decomposition （二）应用实例及算法实现（附源代码及详细的代码注释）
我们在运筹学教学|Benders decomposition（一）技术介绍篇中已经介绍了Benders Decomposition的基本原理，下面为大家提供具体的应用实例和相应的代码。
2.9K72发布于 2018-04-19 - 来自专栏大鹅专栏：大数据到机器学习
推荐系统学习笔记之三 LFM (Latent Factor Model) 隐因子模型 + SVD (singular value decomposition) 奇异值分解
在上一篇笔记之二里面说到我们有五部电影，以及四位用户，每个用户对电影的评分如下，？表示未评分。
1K20发布于 2021-06-11 - 来自专栏机器学习、深度学习
二值网络--Structured Binary Neural Networks
3.2 Structured Binary Network Decomposition propose to decompose a network into binary structures while and group-wise decomposition 3.2.1 Layer-wise binary decomposition ? layer-wise binary decomposition 的思路就是对每个实数值卷积层使用 K 个二值卷积层来近似表示，如上图（c）所示 approximate each layer with 所谓的 Group-wise binary decomposition 就是对于一个给定的实数值网络模块，这里我们使用 K 个二值网络模块来近似这个实数值网络模型 3.2.3 Learning for dynamic decomposition 如何分解网络了？
97310发布于 2019-05-28 - 来自专栏全栈程序员必看
【学习笔记】sklearn库基本功能介绍[通俗易懂]
cluster.AgglomerativeClustering DBSCAN cluster.DBSCAN BIRCH cluster.Birch 谱聚类 cluster.SpectralClustering 4.降维任务 降维方法 加载模块 主成分分析 decomposition.PCA 截断SVD和LSA decomposition.TruncatedSVD 字典学习 decomposition.SparseCoder 因子分析 decomposition.FactorAnalysis 独立成分分析 decomposition.FastICA 非负矩阵分解 decomposition.NMF LDA decomposition.LatentDirichletAllocation 发布者
1.4K40编辑于 2022-09-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号