一、赘述的前言Resnet是2015年有何凯明，张翔宇，任少卿，孙剑共同提出问：为什么会Resnet？答：尽可能解决网络层数增加产生的梯度消失、爆炸和网络退化问题。问：为什么深度深会产生上述问题？答：首先我们要知道浅层的梯度反向求导是由深层的多个W和激活函数导数相乘的结果。 1.梯度消失：非线性层的使用，如sigmoid，反向求导时的sigmoid导数在0-0.25之间，那么深度越深，
转载
2024-04-21 17:09:44
41阅读
SIFT特征点相对于ORB计算速度较慢，在没有GPU加速情况下，无法满足视觉里程计的实时性要求，或者无法运行在手机平台上，但是效果更好，精度更高。在应用时可以择优选取，了解其本质原理的动机是为了自己使用时，可以对其进行修改，针对自己的应用场景优化算法。有足够的时间，可以去看D. Lowe的论文，理解起来更透彻．1. 用高斯核构建尺度空间对于构建的高斯金字塔，金字塔每层多张图像合称为一组（Octav
机器学习系列：(三)特征提取与处理
特征提取与处理 上一章案例中的解释变量都是数值，比如匹萨的直接。而很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。分类变量特征提取 许多机器学习问题都有分类的、标记的变量，不是连续的。例如，一个应用是用分类特
转载
2024-08-23 20:39:49
52阅读
目录一. SIFT简介1.1 SIFT提出的目的与意义1.2 SIFT算法可以解决的问题二. SIFT算法实现细节2.1 算法实现步骤2.2 相关概念三. VLfeat环境配置四. 代码实现及其数据实验4.1 兴趣点检测4.2 描述子匹配4.3 给定一张图片输出最多三张图片4.4 用局部描述子进行匹配4.5 可视化连接的图像4.6 基于RANSAC图像映射与全景拼接五. 总结SIFT算法 一.
tsfresh包用于提取时序特征并通过假设检验对特征进行筛选。 本文能够得到路况的热力图，所有路况的时序特征，利用样本筛选出来的特征和所有路况对应的筛选出来特征。利用tsfresh对时序进行分析有两种思路：1.提供学习样本，进行特征值筛选2.理解tsfresh提供的特征值类型，直接调用本文通过思路1对路况数据进行处理，利用tsfresh进行特征提取和筛选import pandas as
转载
2024-05-20 23:09:08
402阅读
慢特征分析（slow feature analysis,SFA）是 wiskott 在2002年的一篇论文里提出来的无监督学习方法,它可以从时间序列中提取变化缓慢的特征，被认为是学习时间序列最显著特征的一种方法。这里只讲述SFA应用于线性问题时的模型和解法，其对于非线性问题的应用，是基于线性模型并结合核函数来进行优化的。 目录一.慢特征分析模型的数学描述二.慢特征模型的求解三、更多资源下载 一.慢
在进行 NLP 模型训练前，请先选择一个好的特征提取器。在上一篇文章中我们介绍了自然语言处理的基础问题——文本预处理的常用步骤。本文将进阶讲述特征提取方面的相关算法。如果用一句话总结目前 NLP 在特征提取方面的发展趋势，那就是「RNN 明日黄花，正如夕阳产业，慢慢淡出舞台；CNN 老骥伏枥，志在千里，如果继续优化，还可能会大放异彩；Transformer 可谓如日中天，在特征提取方面起着中流砥柱
转载
2024-09-19 08:46:11
36阅读
目录1. 特征提取和匹配1.1 背景知识1.2 特征匹配基本流程1.3 局部特征描述子2. Harris角点检测 2.1 角点（corner points）2.2 HARRIS角点检测基本思想2.3 HARRIS检测：数学表达2.4 角点响应函数2.5 编程实现2.5.1 角点检测代码实现 2.5.2 角点检测数据测试3. S
决策树算法之特征工程-特征提取什么是特征提取呢？ 【把数据转化为机器更加容易识别的数据】1 特征提取1.1 定义将任意数据（如文本或图像）转换为可用于机器学习的数字特征注：特征值化是为了计算机更好的去理解数据特征提取分类:
字典特征提取(特征离散化)文本特征提取图像特征提取（深度学习将介绍）1.2 特征提取APIsklearn.feature_extraction2
转载
2024-04-01 20:14:20
176阅读
本文为课程《金融风险管理》第4章学习笔记，用于知识点总结和复习，对应教材《Quantitative Risk Management（2015）》，标号为原版书公式以便查阅。往期回顾：博文内容【模型】【课程笔记】01+02+03 金融风险管理导论VaR、ES、风险测度性质等【模型】【课程笔记】04 金融时间序列ARMA、GARCH 等 目录一、框架二、重要公式及推导第四章 金融时间序列4.1 Fun
文章目录前言一、建立高斯差分金字塔1、建立高斯金字塔2、建立高斯差分金字塔3、建塔过程中参数的设定及相关细节问题二、关键点(key points)位置确定1、阈值化2、在高斯差分金字塔中找极值点3、调整极值点位置4、舍去低对比度的点5、边缘效应的去除（难点）三、为关键点赋予方向1、亚像素点尺度去对应离散点尺度2、统计3、找到主方向四、构建关键点的描述符1、旋转至主方向所在方向2、确定关键点附近区
转载
2024-03-19 09:25:23
92阅读
SIFT算法SIFT即尺度不变特征变换，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。一、SIFT算法特点：1、具有较好的稳定性和不变性，能够适应旋转、尺度缩放、亮度的变化，能在一定程度上不受视角变化、仿射变换、噪声的干扰。 2、区分性好，能够在海量特征数据库中进行快速准确的区分信息进行匹配 3、多量性，就算只有单个物体，也能产生大量特征向量
转载
2024-04-02 07:47:44
52阅读
Transformer之前 上图是经典的双向RNN模型，我们知道该模型是通过递归的方式运行，虽然适合对序列数据建模，但是缺点也很明显“它无法并行执行”也就无法利用GPU强大的并行能力，再加上各种门控机制，运行速度很慢。一般而言，编码器输出编码向量C作为解码器输入，但是由于编码向量C中所有的编码器输入值贡献相同，导致序列数据越长信息丢失越多。 CNN网络相比RNN网络，它虽然可以并行执行，但是无法一
转载
2024-03-19 23:31:43
111阅读
# Python 中使用 tsfresh 提取指定特征的流程指南
在数据科学领域，特征提取是模型构建的关键步骤。`tsfresh` 是一个用于时间序列数据分析的 Python 库，它可以自动提取时间序列特征。本文将详细讲解如何使用 `tsfresh` 提取指定特征，并展示具体的代码示例。
## 流程概述
以下是使用 `tsfresh` 提取指定特征的整体流程：
| 步骤 | 描述 |
|-
原创
2024-08-11 04:44:29
348阅读
一、什么是特征工程特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程意义：会直接影响机器学习的效果二、特征工程的位置与数据处理的比较pandas：数据清洗、数据处理sklearn：对于特征的处理提供了强大的接口三、特征抽取/特征提取1、将任意数据（如文本或图像）转换为可用于机器学习的数字特征字典特征提取（特征离散化）文本特征提取图像特征提取（深度学习将介绍）2
转载
2024-02-22 14:14:30
66阅读
TsFresh学习 最近膜拜大佬写的GitHub学习到了一个时间序列数据特征提取的库-TsFresh，感觉好像挺牛逼的，去B站大学找了一下想找点资料学一学，尴尬的是… 发挥一下主观能动性，网上找了一下还好有官方文档！ 英文的Introduction 官方文档第一句话就是说TsFres
转载
2024-04-28 15:35:37
115阅读
1、特征处理分类特征抽取：从原始数据中抽取特征 特征转换：特征的维度、特征的转化、特征的修改 特征选取：从大规模特征集中选取一个子集2、特征提取2.1、TF-IDF 词频－逆向文件频率；词频TF(t,d)是词语t在文档d中出现的次数。文件频率DF(t,D)是包含词语的文档的个数。tf=|t|/|d|tf-idf=tf*idf公式中使用log函数，当词出现在所有文档中时，它的IDF值变为0
原始数据原始数据是由传感器测到的俯仰角pitch angle和翻滚角roll angle随时间变化的一系列值，其具体形式如下所示：-0.713761 1.336091
-0.824189 1.509388
-1.021816 1.695946
-1.103965 1.928401
-1.116714 2.074347
-1.125247 1.908869
-1.143308 1.131
转载
2024-05-20 23:50:00
37阅读
# 时序数据特征提取与分析：tsfresh 库介绍
在数据科学和机器学习领域中，时序数据是一种常见的数据类型，例如价格、气象数据、传感器采集数据等。在对时序数据进行分析时，我们通常需要提取出有意义的特征来描述数据的结构和特点，以便用于建模和预测等任务。tsfresh 是一个用于时序数据特征提取的 Python 库，它提供了丰富的特征提取方法和工具，帮助用户快速有效地对时序数据进行特征工程。
原创
2024-07-03 04:01:14
124阅读
3.句料库的制作
使用Trados有两大重要工具，其中之一就是WinAlign。许多介绍Trados的文章忽视了工具WinAlign，光是介绍Trados和Multiterm。其实，在我看来，WinAlign在Trados中是比Multiterm还要重要的工具。它的作用就是制作句料库。你译了一些资料以后，千万不要束之高阁，而是要花点时间，用W
转载
2024-10-21 11:20:13
35阅读
