前言机器学习分为：监督学习，无监督学习，半监督学习（也可以用hinton所说的强化学习）等。在这里，主要理解一下监督学习和无监督学习。监督学习（supervised learning）从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。监督学习就是最常见的分类（注意和聚类区分
转载
2024-08-27 16:46:29
58阅读
本发明属计算机视觉、图形处理技术领域：，具体涉及一种基于自适应图的半监督学习方法。背景技术：：随着计算机网络技术的快速发展和人们对数据访问的多样化，人们可以获得的信息呈指数级别增长，如何利用这些海量数据来提高人们获取知识的能力，是当前科学家面临的共同挑战。在监督学习中，通过学习大量标记数据，建立模型来预测未标记数据，当标记的数据数量较少时，训练模型具有较弱的泛化能力并且易于过拟合。在许多实际应用中
转载
2024-05-03 22:20:46
17阅读
SEMI-SUPERVISED REGRESSION WITH GENERATIVE ADVERSARIAL NETWORKS FOR END TO END LEARNING IN AUTONOMOUS DRIVING半监督回归生成对抗神经网络用于自动驾驶的端到端学习挑战和贡献相关工作生成对抗网络算法实验数据集训练配置实验结果结论 半监督回归生成对抗神经网络用于自动驾驶的端到端学习AD（AUTO
前言2019 年，Google 的研究团队提出了半监督学习技术MixMatch。MixMatch 可以认为是近几年半监督学习技术的集大成者，融入了Consistency Regulation、伪标签思想、entropy regularization 以及 MixUp 技术，最终实现了显著优于之前半监督学习技术的效果。目前半监督学习的几种方法：一个是熵最小化，也就是说，尽可能让模型对无标签样本的预测
转载
2023-12-20 21:58:51
78阅读
2.自动文本分类现在对于文本分类的定义和范围有所了解。当提到 “文本分类系统” 可以将文本文件划分到它们代表的类或类别时，也从该概念和数学上对文本分类进行了正式的定义。假设几个人通过浏览每个文本并进行分类完成文本分类任务，那么他们就是我们所讨论的文档分类系统的一部分。然而，一旦文档数量超过百万并且需要快速进行分类处理时，该方法则不能很好地扩展。为了使文档分类的过程更加高效和快速，需要思考文本分类任
转载
2024-06-12 21:06:39
62阅读
# 无监督的NLP文本分类
自然语言处理（NLP）是计算机科学和人工智能领域的重要分支，旨在使计算机能够理解和处理人类语言。文本分类是NLP中的一个核心任务，其目的是将文本按照特定的类别进行归类。传统的文本分类通常需要大量的标注数据，但在实际应用中，获取标注数据往往比较困难。因此，无监督文本分类技术逐渐引起了研究者和开发者的关注。
## 什么是无监督文本分类
无监督文本分类是指在没有标注数据
1-3,文本数据建模流程范例一，准备数据文本数据预处理较为繁琐，包括中文切词（本示例不涉及），构建词典，编码转换，序列填充，构建数据管道等等。在tensorflow中完成文本数据预处理的常用方案有两种，第一种是利用tf.keras.preprocessing中的Tokenizer词典构建工具和tf.keras.utils.Sequence构建文本数据生成器管道。第二种是使用tf.data.Data
# 无监督文本分类：Python实现
无监督文本分类是一种通过自动方法来分析和组织文本数据的技术。在许多应用场景如市场调研、社交网络分析等，能够有效地从海量数据中提取信息。本文将介绍如何使用Python进行无监督文本分类，并提供相应的代码示例。
## 1. 什么是无监督文本分类？
无监督文本分类是指在没有标签信息的情况下，将文本数据自动归类。与有监督学习方法相对，无监督学习不需要人工标注数据
原创
2024-10-25 03:44:02
358阅读
前言 在实际场景中，想有一份干净的监督数据是非常难的，而标注数据需要耗费大量的人力，是非常昂贵的，于是乎基于弱监督的方法就显得非常重要了，今天介绍一篇基于弱监督方法的文本分类模型。方法作者总体思路就是额外获取一个监督信号，以此来增强分类任务的进行即弱监督。具体的作者是从预训练模型中获取监督信号，然后借助该信号进行后续的分类。（1）Supervision Signals作者这里借鉴prom
转载
2024-05-23 20:25:31
24阅读
半监督： 半监督学习是指监督学习与无监督学习的结合，是在含有少量被标记数据的情况下,利用大量未标记图像进行无监督学习从而改善监督学习的性能。半监督GAN用于分类的步骤： 将GAN中判别器的输出层替换成softmax分类器，假设训练数据有C类，则softmax输出C+1类，多一个生成器生成的伪图像的概率。由于判断真伪图像的任务是无监督的，因此我们可以利用到大量的未标注样本来进行训练。 训练时将未标注
转载
2024-04-26 09:12:15
34阅读
本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。 监督，无监督，半监督学习介绍 在正式介绍实现半监督学习之前，我在这里首先介绍一
转载
2024-08-12 10:32:27
72阅读
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
275阅读
1、监督学习（supervised learning）训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签，即生成合适的函数将输入映射到输出。2、无监督学习（unsupervised learning）训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数
转载
2024-06-15 19:06:38
121阅读
半监督节点分类：标签传播和消息传递半监督节点分类问题的常见解决方法：特征工程图嵌入表示学习标签传播图神经网络基于“物以类聚，人以群分”的Homophily假设，讲解了Label Propagation、Relational Classification（标签传播）、Iterative Classification、Correct & Smooth（C & S）、Loopy Beli
转载
2024-04-25 21:41:15
37阅读
1.监督，无监督，半监督学习介绍在正式介绍实现半监督学习之前，我在这里首先介绍一下监督学习（supervised learning），半监督学习（semi-supervised learning）和无监督学习（unsupervised learning）的区别。监督学习是指在训练集中包含训练数据的标签（label），比如类别标签，位置标签等等。最普遍使用标签学习的是分类任务，对于分类任务，输入给网
本文详细介绍了类别不平衡的概念、导致分类困难的原因、解决方案、类别不平衡时评价指标以及方案选择建议。
本文详细介绍了类别不平衡问题，目录：1 什么是类别不平衡问题？2 类别不平衡导致分类困难的原因？3 类别不平衡的解决方法？4 如何选择类别不平衡中学习的评价指标？5 关于解决方法选择的一些建议？6 小结1 什么是类别不平衡问题？类别不平衡（class-i
转载
2023-07-24 23:54:26
26阅读
# 半监督分类pytorch实现
## 介绍
在机器学习领域，半监督学习是指使用有标签和无标签数据进行训练的一种学习方式。在半监督分类任务中，我们通常有一小部分有标签的数据和大量的无标签数据，我们的目标是通过利用无标签数据来提高分类的准确性。
本文将介绍如何使用PyTorch实现半监督分类任务。我们将使用一个简单的示例数据集来说明步骤和代码。
## 整体流程
下表展示了半监督分类任务的整个流
原创
2023-08-25 15:59:49
275阅读
用Pytorch进行图像分类（对一张猫和一张鱼的图片进行区分）传统挑战1、首先需要数据要想有效地使用深度学习技术，需要较大量的数据来训练神经网络，让神经网络学习并记忆他们的特征。所以我们需要很多鱼和猫的图片 **监督学习和无监督学习的区别有监督学习必须要有训练集和测试样本。在训练集中找规律，而对测试样本使用这种规律。非监督学习没有训练集，只有一组数据，在该数据集中寻找规律有监督学习的方法就是识别事
转载
2023-09-05 11:14:05
184阅读
作者| I. Zeki Yanlniz, Herve Jegou, Kan Chen, Manohar Paluri, Dhruv Mahajan【导读】本文提出了一种十亿级数据规模的半监督图像分类模型，通过使用教师-学生架构以及一个小规模的带标签数据集，作者提出了一个基于卷积神经网络的半监督学习方法。另外，作者对模型的不同架构和模型参数进行了消融实验，并提出了一些构建半监督学习模型的建议。摘要本
转载
2024-04-23 11:31:52
24阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一化处
转载
2024-08-29 15:54:29
25阅读
