机器学习算法与理论-腾讯云开发者社区

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

机器学习算法与理论

专栏成员

57

文章

78592

阅读量

28

订阅数

TKDE|Foresee Urban Sparse Traffic Accidents: A Spatiotemporal Multi-Granularity Perspective

机器学习神经网络深度学习人工智能

本文以交通事故预测为应用背景，提出了一个基于多源时空数据的多步、多粒度稀疏事件预测模型。其中集中归纳总结并缓解了时空稀疏问题、短期状态变化感知与多步预测问题。

微风、掠过

2020-11-26

1.1K0

GCN现有变体不完全汇总（在时空数据挖掘中的应用）

数据结构机器学习神经网络深度学习人工智能

MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing

微风、掠过

2020-03-20

2K0

【AAAI 2020】RiskOracle: 一种时空细粒度交通事故预测方法

oracle 智能交通机器学习神经网络人工智能

【前言】城市计算领域中，智能交通、智慧出行一直是一备受关注的话题，而交通事故在交通中扮演越来越着重要的角色，据WHO统计，已逐渐成为人类第8大杀手。传统的基础交通动态元素流量、速度预测等不能完全等同于事故预测，因为事故分布更为零星，影响它的因素也更为复杂，包括天气、人为因素、路网显著的动态变化，区域之间的动态关联等，且存在数据量不足的问题。本文提出一种更为短期的交通事故预测框架，提出了多任务差分时变图卷积网络（Multi-task Differential Time-varying Graph convolution Network， Multi-task DTGN），旨在提升交通出行安全，推进数据赋能交通发展，并通过设计一更为专有化的神经网络，推动人工智能社区的进步，为城市计算、时空数据挖掘中的相似问题（如流感预测、犯罪侦测预测等）提供新的思路。

微风、掠过

2020-02-13

1.2K0

.whl文件在python库的安装

python anaconda

https://www.lfd.uci.edu/~gohlke/pythonlibs/

微风、掠过

2019-12-24

2.6K0

关于如何阅读文献

abstract methods

对于研究生新生而言，刚开学，必不可少的就是接触阅读文献这样一件差事。通过阅读文献，一方面我们可以了解这个领域的专家/学者最近在研究什么，可以从中收获新的insight和知识，另一方面，我们也可以借助这个机会，学习学术论文撰写的方法和讨论，了解写作技术，此外，我们还可以以此来评估今后自己的工作是处于什么level，适合什么层次的会议/期刊。

微风、掠过

2019-11-27

6360

html 编程算法游戏

Meta学习的初衷十分令人着迷：不仅仅构建能够学习的机器, 更重要的是让它学会如何去学习。这也就意味着Meta学习得到的算法能够依据自己表现的反馈信号及时地调整其结构和参数空间, 进而能够在新环境中通过累计经验提升表现性能。其实, 当未来学家用通用性的鲁棒人工智能编织我们对未来的憧憬时, 这些梦想的细节无不是上述思路的体现。

微风、掠过

2019-07-08

4100

移动数据挖掘-地点预测（新颖地点预测）与用户建模

通过时间、距离约束过滤路段公交车的上下情况分割段行程内转移 CRF条件随机场观察序列-隐藏序列 xi=(li,li+1) S={l1,l2,l3,…} 通过标记数据足够多的CRF序列，使用EM算法或梯度法来训练对数似然函数： L(λ,D）=log(p|x)- / 地点类别补全：通过访问时间的、访问次数、时间-次数分布、访问时间间隔、停留时间、访问人流量等特征去识别地点类别。挖掘模式。（显性模式）任意两个地点i,j分别对用户-地点、时间段-地点二部图运用带重启动的随机游走获得相关性为r(i,j)t r(i,j)u，用线性加权的方式进行融合。（隐性模式）

微风、掠过

2019-03-04

7680

Attention机制总结

机器学习神经网络深度学习人工智能

策略梯度的强化学习技术使得训练定位小框位置变得可能，在每次探索中，如果分类模块能正确预测，给与正反馈，强化对这个位置的选择，反之则给负反馈。

微风、掠过

2019-03-04

3.1K0

ResNet和DenseNet

一个Kernel（一个核KKD，设D个通道channel）就是一个对应的feature map. 第一个核会在每一个通道上都（卷积）走一遍，然后将对应每个通道的卷积值加起来，形成第一个feature map. 其他依此类推。对于各个通道而言，核的值均可不一样，所以D个通道并不共享权值，所谓权值共享是在整张图上不同位置会共享同一个kernel。

微风、掠过

2019-03-04

8760

交通事故预测读书笔记

Hetero-ConvLSTM: A Deep Learning Approach to Traffic

微风、掠过

2018-12-12

9640

深度学习核心技术实战 NLP-word2vec

多分类的逻辑回归- softmax模型 word2vec：词向量 one-hot representation 对应位置为1，但不能表达词之间的关系本质上是对词的一种表示，但是是结合了上下文内容的。无监督模型词的两种表示： One-hot Representation（独热表示） “苹果”表示为 [0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 …] 优点：简介，缺点：词之间是孤立的，维数灾难。 Distributed Representation（分布式表示）词向量或者词嵌入（word embedding）是用一个向量来表示一个词，一定程度上可以用来刻画词之间的语义距离。给出一个文档，用一个单词序列比如 “我喜欢苹果”，然后对文档中每个不同的单词都得到一个对应的低维向量表示，“苹果”表示为 [0.11, −0.77, −0.71, 0.10, −0.50, …]。优点：低维、相似词的词向量距离相近，缺点：计算复杂。

微风、掠过

2018-10-09

3430

Tensorflow 实战笔记

tf.Variable(tf.random_normal([2,3],stddev=2)) 通过满足正态分布的随机数来初始化神经网络中的参数是一个常用方法。

微风、掠过

2018-10-09

4960

空间层次：划分街道不同区域城市的区域、街道等这些地理信息里都蕴藏着明确的多层次的语义信息

微风、掠过

2018-10-09

1.2K0

Tensorflow 之RNNinputs: shape = (batch_size, time_steps, input_size)cell: RNNCellinitial_state: shape

output = np.reshape(aa, [-1,5]) -1表示一个占位符，分为5列。

微风、掠过

2018-08-14

7160

【转】python打包成so-* -coding: UTF-8 -* -

Python是一种面向对象的解释型计算机程序设计语言，具有丰富和强大的库，使用其开发产品快速高效。

微风、掠过

2018-08-02

1.8K0

【计算机视觉】目标检测方法汇总

1、选择性搜索：方法：滑动窗口，规则块（利用约束进行剪枝）、选择性搜索（自底向上合并相邻的重叠区域）一步步计算相似度并且合并、剔除相似度的高的

微风、掠过

2018-08-02

7330

常见的图像变换二值化与形态学操作-python-opencv版

python opencv kernel 人工智能

1.变为rgb通道: img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 2.变为灰度图: gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 3.直方图均衡化(一般需化为灰度图): eq = cv2.equalizeHist(gray)#灰度图像直方图均衡化

微风、掠过

2018-08-02

7230

深度学习核心技术实战——图像分类模型

1.LeNet-5：每一个卷积核都会形成一个特征图，3个通道则是每个通道是不同的卷积核，但是最后是将三通道的卷积值相加，最后变成一个通道，所以5564的卷积核，感知范围是5*5，最后出来是64层（个特征图）。每个卷积核都包括w（权重）和b(bias偏置)。LeNet-5最初用于手写数字识别。

微风、掠过

2018-08-02

3980

深度学习—带动量的SGD相关参数

一、weight decay（权值衰减）的使用既不是为了提高你所说的收敛精确度也不是为了提高收敛速度，其最终目的是防止过拟合。在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。二、momentum是梯度下降法中一种常用的加速技术。对于一般的SGD，其表达式为 w=w-alph*f'(x)(梯度)沿负梯度方向下降。而带momentum项的SGD则写生如下形式：

微风、掠过

2018-08-02

1.2K0

Openface人脸识别的原理与过程

Openface人脸识别的原理与过程： https://zhuanlan.zhihu.com/p/24567586 原理可参考如下论文：《OpenFace: A general-purpose face recognition library with mobile applications》第一步：找出所有的面孔我们流水线的第一步是人脸检测。我们的目标是找出并比较当前像素与直接围绕它的像素的深度。然后我们要画一个箭头来代表图像变暗的方向：用梯度来代替像素这事看起来没有明确目的，但其实背后的理由

微风、掠过

2018-04-10

3K0

点击加载更多

社区活动

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·干货材料·成员作品最新动态