深度学习是机器学习的子集，因为层数较多（深度较深），故名深度学习。 因此首先了解机器学习的基本概念也是很有帮助的参考书为《PyTorch深度学习》，ISBN: 9787115508980，可配套食用。一、三类机器学习问题主要有三类：有监督学习、无监督学习和强化学习。这里的监督怎么理解呢？ 监督可以理解为训练数据需要人工打标签，比如首先收集到1000张动物图片，由人来区分都是什么动物，为其打上标签。
转载
2024-08-17 16:41:07
22阅读
https://github.com/pytorch/fairseq/tree/master/examples/wav2vec
原创
2022-07-19 19:41:04
99阅读
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
1. 无监督学习机器学习算法可分为监督学习(Supervised learning)和无监督学习(Unsupervised learning)。监督学习常用于分类和预测。数据集中的所有变量被分为特征和目标，对应模型的输入和输出；数据集被分为训练集和测试集，分别用于训练模型和模型测试与评估。常见的监督学习算法有Regression(回归)、KNN和SVM(分类)。无监督学习常用于聚类。输入数据没有标
转载
2024-06-18 15:14:57
104阅读
前几天写了《简单的中文分词算法》，今天就用Python写个伪分词算法实现。说伪分词是因为我这脚本其实并不能对文本进行分词，只是计算两个汉字组合成词的概率（由于是无监督，前期没有人工介入，识别词的能力大大降低。）。比如'中'、'过'、'国'三个字的组成的字对有'中过'、'中国'、'过国'、'国过&
原创
2021-01-04 19:29:29
361阅读
作者：朝言 | 介绍在行人重识别领域，如何获取海量标注数据，提高实际场景的重识别能力是工业界非常关注的一个问题。通常在学术界上公开数据集如Maket1501上训练出来的模型在实际场景上基本是没法用的，都需要在实际场景中采集数据并进行标注。标注需要人工成本和时间周期，在项目比较急的时候重新标注根本来不及，因此无监督的行人重识别方法成为了目前研究的一个热点。无监督行人重
代码部分基于PyTorch1.6.0，使用网络入侵异常检测数据集KDDCUP99来训练和评测，完整代码见：GitHub。 文章目录1.网络部分：2.GMM参数计算：3.似然函数和总体损失的计算：4.KDDCUP99数据集预处理和划分：5.完整代码 1.网络部分：网络部分的实现较为简单，基本上就是DAE结构接一个全连接结构，最后输出一个softmax Tensor。要注意好Compression n
目录无监督对比学习：Moco文章内容理解代码解释有监督对比学习：Supervised Contrastive Learning文章内容理解 无监督对比学习：Moco文章内容理解以下内容全部来自于：自监督学习-MoCo-论文笔记. 侵删 论文：Momentum Contrast for Unsupervised Visual Representation LearningCVPR 2020 最佳论
转载
2024-08-12 10:49:59
198阅读
模式识别是自然语言处理的一个核心部分。6.1有监督分类分类：是为给定的输入选择正确的类标签任务。有监督分类：如果分类的基础基于包含每个输入正确标签的训练语料。有监督分类的使用框架图如下：性别鉴定让我们以性别鉴定这个简单的例子，再次解释上述图形的流程。背景：男女的名字是有一定背景的，以此为背景来解释。在这里我们以每个名字的最后一个字母为特征来标志是否为男女。1、确定特征集 def gender_f
转载
2023-10-10 09:50:20
69阅读
目录前言：标签名称替换类别预测自训练总结前言：在训练模型的时候，比如分类任务等等，都需要有标签数据进行监督学习，即使是要少量的标签数据，也可采用半监督的方式来提高模型的泛化性，关于一些最新的半监督学习可以参看笔者另一篇博客：但是今天要分享的这篇论文是EMNLP20论文《Text Classification Using Label Names Only: A Language Model Self
# Python 无监督分类简介
无监督分类是一种常用的机器学习技术，旨在根据未标记的数据发现潜在的结构和模式。在机器学习的众多应用中，无监督分类常用于信息提取、图像处理、市场分割等领域。本文将介绍无监督分类的基本概念、常用算法，并给出相应的代码示例。
## 什么是无监督分类？
无监督分类（Unsupervised Classification）与传统的监督分类方法不同，后者依赖于标记的数据
# Python无监督分组入门指南
无监督分组（Clustering）是机器学习中的一种非常重要的技术，它帮助我们在没有标签的数据中找到相似的对象。本文将带你了解如何在Python中实现无监督分组。
## 整体流程
我们将使用K-means算法作为案例进行展示。以下是实现的主要步骤：
| 步骤 | 描述 |
|------|------|
| 1 | 导入所需的库 |
| 2
摘要：本文提出了一个用于无监督视觉表征学习的动量对比方法（MoCo）。从将对比学习作为字典查询过程的角度来看，本文构建了一个由队列和移动平均编码器组成的动态字典。华为云社区《论文解读系列二十九：无监督视觉表征学习的动量对比》，作者：谷雨润一麦。摘要本文提出了一个用于无监督视觉表征学习的动量对比方法（MoCo）。从将对比学习作为字典查询过程的角度来看，本文构建了一个由队列和移动平均编码器组成的动态字
转载
2024-04-30 16:51:44
81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
无监督学习(unsupervised learning)没有已知标签的训练集，只给一堆数据集，通过学习去发现数据内在的性质及规律。K-Means聚类算法步骤随机取k个样本作为初始均值向量（或者采用别的方式获取初始均值向量）；根据每个样本与均值向量的距离来判断各个样本所属的蔟。根据分好的蔟再次计算新的均值向量，根据新的均值向量再对每个样本进行划分。循环步骤2，3，直到分类结果相同或者在我们规定的误差
转载
2024-01-05 22:38:03
31阅读
作者提出动量对比度（MoCo）用于无监督的视觉表示学习。从作为字典查找的对比学习[29]的角度来看，作者构建了一个带有队列和移动平均编码器的动态字典。这样就可以动态地构建大型且一致的词典，从而促进对比性的无监督学习。MoCo在ImageNet分类的通用线性协议下提供了竞争性的结果。更重要的是，MoCo学习到的表示将转移到下游任务。 MoCo可以胜过在PASCAL VOC，COCO和其他数据集上进行
转载
2024-01-04 14:48:59
65阅读
1 什么是无监督学习现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。一家广告平台需要根据相似的人口学特征和购买习惯将美国人口分成不同的小组，以便广告客户可以通过有关联的广告接触到他们的目标客户。某个人需
转载
2024-04-25 13:55:18
128阅读
实战部分主要针对某一具体算法对其原理进行较为详细的介绍，然后进行简单地实现（可能对算法性能考虑欠缺），这一部分主要介绍一些常见的一些聚类算法。K-means聚类算法0.聚类算法算法简介 聚类算法算是机器学习中最为常见的一类算法，在无监督学习中，可以说聚类算法有着举足轻重的地位。 提到无监督学习，不同于前面介绍的有监督学习，无监督学习的数据没有对应的数据标签，我们只能从输入X中去进行一些知识发现
转载
2023-09-25 19:02:31
315阅读
文章目录前言一、实体识别简介1.实体识别2.复杂情况下的实体识别二、几种标注方法1.指针标注2.多头标注3.片段排列+分类三、数据层面的问题 前言参考资料：刷爆3路榜单，信息抽取冠军方案分享：嵌套NER+关系抽取+实体标准化一、实体识别简介1.实体识别实体识别的难点一方面在于一些复杂实体难以有效训练识别，另一方面在数据层面的问题。要做实体识别模型训练，那么就要进行实体标注。常见的标注策略就是使用
转载
2023-11-23 14:21:50
112阅读
本文是文章《Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration》的阅读笔记。过去基于学习的配准方法忽略了图像之间转换的逆一致性，并且形变场只被要求局部平滑，不能完全避免形变场的重叠。基于以上两点，提出了一个用于无监督图像配准的逆一致性网络模型ICNet，同时提出了“反重叠约束”来避免形变场的
