基于深度学习的三维点云智能分析——北京科技大学自动化系樊彬老师研究背景许多应用需要三维数据的理解机器人、增强现实、自动驾驶、医学图像处理（CT、核磁共振）广泛应用前景和现实的应用基础三维数据有多种表示方式：多视角图片体素网格mesh数据（工业界）深度图像（RGB-D）3D点云，是由原始传感器输出的3D数据，一般是激光雷达Li-Dar 数据格式简单：一组3D坐标+额外的属性上述的体素网格、mesh数
【机器学习】无监督学习
众所周知，机器学习的训练数据之所以非常昂贵，是因为需要大量人工标注数据。
autoencoder可以输入数据和输出数据维度相同，这样测试数据匹配时和训练数据的输出端直接匹配，从而实现无监督训练的效果。并且，autoencoder可以起到降维作用，虽然输入输出端维度相同，但中间层可以维度很小，从而起到降维作用，形成数据的一个浓缩表示。
可以用autoencoder做Pr
转载
2018-11-15 08:36:07
603阅读
**************************************注：本系列博客是博主学习Stanford大学 Andrew Ng 教授的《机器学习》课程笔记。博主深感学过课程后，不进行总结非常easy遗忘。依据课程加上自己对不明确问题的补充遂有此系列博客。本系列博客包含线性回归、逻辑回归、神经网络、机器学习的应用和系统设计、支持向量机、聚类、将维、异常检測、推荐系统及大规模机器学习等内
转载
2017-06-21 11:40:00
295阅读
2评论
1.理解分类与监督学习、聚类与无监督学习。简述分类与聚类的联系与区别。简述什么是监督学习与无监督学习。 2.朴素贝叶斯分类算法 实例利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。有六个分类变量(分类因子)：性别，年龄、KILLP评分、饮酒、吸烟、住院天数目标分类变量疾病：–心梗–不稳定性心绞痛新的实例：–(性别=‘男’，年龄<70, KILLP=‘I'，饮酒=‘
摘要日志异常检测，其对开发稳定、可持续的系统具有重要意义。但当系统刚上线时，收集足够的数据训练一个无监督模型是不现实的。为此本文提出了一个可转移的日志异常检测(LogTAD)框架，该框架利用对抗域适应技术使来自不同系统的日志数据具有相似的分布，从而使检测模型能够检测来自多个系统的异常。实验表明，LogTAD在使用少量新系统日志的情况下，可以实现较高的跨系统异常检测精度。介绍在实践中，系统日志被广泛
转载
2024-02-22 19:57:18
132阅读
一、监督学习（supervised learning） 通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判 断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。监督学习中只要
转载
2017-06-09 10:44:00
237阅读
2评论
本文介绍两种聚类方法： K-means、DBSCAN， 讨论高斯混合模型， 并了解如何将它们用于密度估计、聚类和异常检测 ...
转载
2021-09-29 23:41:00
156阅读
2评论
机器学习分为监督式机器学习、无监督式机器学习和半监督式机器学习。其划分的标准是训练样本是否包含人为标注的结果。 (1)监督式机器学习：从给定的训练数据集中学习出一个函数，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是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的
原创
2022-04-30 10:22:46
308阅读
https://www.toutiao.com/a6690813539747103246/2019-05-15 09:31:00机器学习系列 1：监督学习和无监督学习机器学习就是通过一大堆数据集训练一个电脑程序让他能够去更加准确地预测出下一次的结果。机器学习算法分为两大类，监督学习(Supervised learning)和无监督学习(Unsupervised learnin...
转载
2019-05-18 13:51:44
431阅读
总结本系列是机器学习课程的系列课程，主要介绍机器学习中无监督算法，包括PCA降维算法等。本门课程的目标完成一个特定行业的算法应用全过程：懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优+工程化接口实现机器学习定义关于机器学习的定义，Tom Michael Mitchell的这段话被广泛引用： 对于某类任务T和性能度量P，如果一个计算机程序在T上其性能P随着经验
《Python机器学习基础教程》笔记预处理步骤，有时可以提高监督算法的精度，或者减少内存占用和时间开销。不过评估无监督算法却没有什么好方法，唯一的方法就是人工检查。一、无监督学习的分类无监督学习主要有两种类型：数据集变换与聚类。数据集变换：数据集的无监督变换是创建数据新的表示，与数据原始表示相比，新的表示可能更容易被人或其他机器学习算法所理解。利用无监督学习进行数据变换最常见的目的就是可视化、压缩
转载
2023-12-31 17:00:07
69阅读
一、基本概念1 特征（feature） 数据的特征。举例：书的内容2 标签（label） 数据的标签。举例：书属于的类别，例如“过已有的
原创
2022-08-04 17:18:56
585阅读
在机器学习(Machine learning)领域。主要有三类不同的学习方法： 监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 半监督学习(Semi-supervised learning)， 监督学习：通过已有的一部分输入数据与输出
转载
2017-04-22 20:07:00
251阅读
2评论
！阅读大概需要18分钟跟随小博主，每天进步一丢丢在实际业务中，对给定Query检索特定范围内的词是十分常见的需求。对于字面上的匹配总体来说并不复杂，但实际效果就仅限于有字符交集的词语。若是想要上升到语义之间有相关度，就可以化归为学术界常见的语义匹配的问题。然而，在实际工业界或项目中，或是限于经费，或是只是小试牛刀，没有标注好的语料进行训练，那么如何在无监督上把语义匹配玩转呢？最近我们请来了（曾经？
机器学习算法大体分为三类：监督学习（supervised learning）、无监督学习（unsupervised learning）和半监督学习（semi-supervised learning）。监督学习是指我们利用带有类别属性标注的数据去训练、学习，用于预测未知数据的类别属性。例如，根据用户之前的购物行为去预测用户是否会购买某一商品。常用的算法有决策树，支持向量机SVM，朴素贝叶斯分类器，K
转载
2024-06-22 10:14:32
18阅读
机器学习分为监督式机器学习、无监督式机器学习和半监督式机器学习。其划分的标准是训练样本是否包含人为标注的结果。(1)监督式机器学习：从给定的训练数据集中学习出一个函数，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是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的...
转载
2016-11-02 13:35:00
80阅读
2评论
本章主要介绍了最常见的 PCA 主成分分析、NMF 非负矩阵分解等无监督模型，举例说明使用使用非监督模型对多维度特征数据集进行降维的意义及实用方法。对 MDS 多维标度法、LLE 局部线性嵌入法、Isomap 保距映射法、t-SNE 分布邻域嵌入算法等 ML 流形学习模型的基础使用方法进行讲解
原创
2021-08-02 11:19:12
753阅读
主要介绍 KMeans、GMM 、Agglomerative 、DBSCAN 等模型的使用，KMeans 是最常用最简单的模型，它尝试根据 n_clusters 设置找到代表数据区域的簇中心。而 GMM 可以看成是升级版的 KMeans ,它会改 KMeans 模型簇边界的计算方式，把圆形改成椭圆形，让数据边界更明显。
原创
2021-08-13 15:49:18
225阅读
