小红花·文摘
  • 首页
  • 广场
  • 排行榜🏆
  • 直播
  • FAQ
Dify.AI

本研究提出了一种新型降维技术AKRMap,旨在解决现有跨模态嵌入可视化方法的不足。实验结果表明,AKRMap在生成更准确和可信的可视化方面优于传统方法。

AKRMap:用于跨模态嵌入可信可视化的自适应核回归

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2025-05-20T00:00:00Z
第五部分:构建自己的人工智能 - 探索无监督学习与聚类

无监督学习通过分析无标签数据揭示隐藏模式。文章介绍了聚类算法(如K-Means和层次聚类)及降维技术(如主成分分析PCA),并通过客户细分和异常检测等实例展示其实际应用价值。

第五部分:构建自己的人工智能 - 探索无监督学习与聚类

DEV Community
DEV Community · 2024-12-09T04:19:18Z
第五天 – 无监督学习:聚类与降维

本文介绍无监督学习的基本概念,重点讲解聚类算法(如K-Means、层次聚类、DBSCAN)和降维技术(如PCA、t-SNE)。通过实际项目,学习使用Scikit-Learn进行客户细分,并掌握模型评估指标,如轮廓系数和Davies-Bouldin指数。

第五天 – 无监督学习:聚类与降维

DEV Community
DEV Community · 2024-12-07T05:58:07Z

本文提出了一种新型的潜在动态网络架构,结合深度学习和降维技术,能够高效预测时空动态响应。研究展示了基于图卷积自编码器的非线性降阶模型,强调了深度学习在复杂偏微分方程处理中的应用。通过数据驱动的方法,构建了简化模型,显著提升了高维非线性问题的准确性和效率。

非线性降阶建模中的潜在动态学习

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-08-27T00:00:00Z

本文介绍了使用飞桨框架实现主成分分析(PCA)的人脸识别算法,通过降维技术找到最重要的特征,减少数据维度。文章提供了实际代码示例,并展示了不同维度下的训练效果。飞桨的稀疏计算能力和稀疏神经网络也被介绍。最后,总结了飞桨的线性代数API在数据降维和特征提取方面的重要性和应用。

基于飞桨框架实现PCA的人脸识别算法

百度大脑
百度大脑 · 2024-08-12T12:05:22Z

本文介绍了多种降维技术,如LargeVis、TriMap和PaCMAP,旨在提升高维数据的可视化效果。这些方法在保留局部和全局结构方面表现出色,并提出了新的算法和框架,以满足不同的应用需求。

大型数据的外部维度降低方法

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-08-07T00:00:00Z

本文探讨了文本嵌入、降维技术和漂移检测方法在文本数据分析中的有效性,强调了高维数据处理的挑战及深度学习在特征提取中的应用。研究提出了一种新工作流程,评估特征空间的稳定性,并揭示其对模型可解释性的影响。此外,分析了多语言模型在语义文本相似性任务中的表现,强调了文本聚类方法的改进和数据分布度量的有效性。

文本空间化的潜在嵌入和降维方法的大规模敏感性分析

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-07-25T00:00:00Z
向量数据库入门

向南方旅行时,搜索巴塔哥尼亚天气夹克衫可能出现特定品牌的搜索结果。向量数据库可以表示复杂数据为机器可理解的向量,并通过数学运算进行比较。嵌入是数据点的向量表示,捕捉其语义含义。降维技术可以缓解高维空间的计算复杂性。距离度量是确定向量空间中两点距离的数学函数。K最近邻和近似最近邻算法可实现快速准确的相似性搜索。向量数据库和向量存储是存储和检索向量数据的数据库类型。AI和机器学习推动技术边界,需要特定数据库满足需求。

向量数据库入门

Percona Database Performance Blog
Percona Database Performance Blog · 2024-01-24T14:00:33Z
.mpipks-note | 10. Dimension Reduction

本文讨论了高维数据的降维技术,特别是第十讲的内容,由外部嘉宾主讲。课程网站未提供课件,时间轴和语音转录的重要性较低,笔记为英文。

.mpipks-note | 10. Dimension Reduction

阿掖山:一个博客
阿掖山:一个博客 · 2021-05-15T00:00:00Z
.mpipks-transcript | 10. Dimension Reduction

本文讨论了高维数据的探索与分析,重点介绍了降维技术,如主成分分析(PCA)和UMAP。PCA通过线性变换减少数据维度,保持信息相关性;UMAP则通过构建图形表示,保留数据的拓扑结构。文章还提到聚类方法,以识别数据中的不同类别。选择合适的方法需结合具体问题和经验判断。

.mpipks-transcript | 10. Dimension Reduction

阿掖山:一个博客
阿掖山:一个博客 · 2021-05-14T00:00:00Z
  • <<
  • <
  • 1 (current)
  • >
  • >>
👤 个人中心
在公众号发送验证码完成验证
登录验证
在本设备完成一次验证即可继续使用

完成下面两步后,将自动完成登录并继续当前操作。

1 关注公众号
小红花技术领袖公众号二维码
小红花技术领袖
如果当前 App 无法识别二维码,请在微信搜索并关注该公众号
2 发送验证码
在公众号对话中发送下面 4 位验证码
友情链接: MOGE.AI 九胧科技 模力方舟 Gitee AI 菜鸟教程 Remio.AI DeekSeek连连 53AI 神龙海外代理IP IPIPGO全球代理IP 东波哥的博客 匡优考试在线考试系统 开源服务指南 蓝莺IM Solo 独立开发者社区 AI酷站导航 极客Fun 我爱水煮鱼 周报生成器 He3.app 简单简历 白鲸出海 T沙龙 职友集 TechParty 蟒周刊 Best AI Music Generator

小红花技术领袖俱乐部
小红花·文摘:汇聚分发优质内容
小红花技术领袖俱乐部
Copyright © 2021-
粤ICP备2022094092号-1
公众号 小红花技术领袖俱乐部公众号二维码
视频号 小红花技术领袖俱乐部视频号二维码