Automaatse keelelise indekseerimise pildid

Selles taotluses on tõendatud, kuidas arvutit võib kasutada intelligentne Annotatsioon audio, video või pildi meediumisisu andmetega.

See demo eksperiment selgitustega lihtne füüsiline pildi kategooriad. Seal on 5 ANN klassifikaatorite projekt vastab suhtes:

• Võib sisaldada loomade pildid
• Pildid, mis võib sisaldada lilled
• Pildid, mis võib sisaldada maastikud
• Pildid, mis võib sisaldada päikeseloojangud
• Teised pildid, mis ei sisalda eespool nimetatud kategooriate või kirjuta lihtsalt tundmatu pilt

Sõrmejälg Kontrollimine

Sõrmejälgede tunnustamine on aktiivne teadusruumi tänapäeval. Sõrmejälgede tunnustamise süsteemide tähtis komponent on sõrmejälgede sobitamise algoritm. Vastavalt probleem domeeni sõrmejälgede vastavaid algoritme, liigitatakse kahte kategooriasse: sõrmejälje kontrolli algoritmid ja sõrmejälgede identifitseerimise algoritme. Sõrmejälgede kontrolli algoritmid eesmärk on teha kindlaks, kas kaks sõrmejäljekujutist pärit sama sõrme või mitte. Teisest küljest sõrmejälgede identifitseerimise algoritme otsing päringu sõrmejälgede andmebaasis otsib sealt sama sõrme sõrmejäljed.

See Demo näitab sõrmejälgede tunnustamise ja identifitseerimine.

Osaline vähim väljakud (PLS)

Näitab, kuidas kasutada osalise vähimruutude on (mitme ja mitme muutujaga) lineaarse regressiooni mudel high-dimensionaalsus andmetest.

Lineaarne ja logistiline regressioon analüüs

Proovi taotluse loomise ja paigaldamise logistilist regressiooni mudeleid. Samuti sobib mitme lineaarse regressioonimudeli võrdluse eesmärgil ning sooritab chi-square testi ja arvutab Wald's statistika logistiline Regressioon koefitsiendid.

Vastuvõtja tegutsevad omadus (ROC) kõverad

Proovi taotluse, näidates, kuidas luua ja visualiseerida vastuvõtja tegutsevad iseloomulik kõverad etteantud tuleneb test või liigitamise protsessi.

Coxi proportsionaalne ohud

Kuidas sooritada ellujäämise analüüsi regressiooni ja aeg heita andmete ennustus Coxi proportsionaalset ohtu mudeli abil.

Tavaline Bayes klassifikatsioon

Milline on normaalne Bayes klassifitseerijale

Normaalne Bayes klassifitseerijale on ka naiivne Bayes klassifikaatoris näidatuga.

Vastavalt wikipedia

Naiivsed Bayes klassifitseerijale on termin Bayesi statistika käsitlemisel lihtsat tõenäosusel klassifitseerijale põhineb kohaldamise Bayes' teoreem tugev (naiivne) iseseisvuse eeldused. Aluseks oleva tõenäosuse mudel täpsemalt kirjeldava termin oleks "sõltumatu funktsioon mudel".

Lihtsamalt öeldes, naiivsed Bayes klassifitseerijale eeldab eriline klass juuresolekul (või puuduvad) ei ole muud funktsiooni olemasolu (või puuduvad). Näiteks puuvilja võib pidada apple kui on punased, ümmargused ja umbes 4" läbimõõduga. Kuigi need funktsioonid sõltuvad teiste funktsioonide olemasolu, naiivsed Bayes klassifitseerijale leiab kõik need omadused iseseisvalt oma panuse tõenäosus, et see puu on apple.

Sõltuvalt tõenäosus mudeli täpne loodus saab naiivsed Bayes klassifikaatorite koolitatud väga tõhus järelevalve õppe keskkonnas. Palju praktilisi rakendusi parameetri hinnang naiivsed Bayes mudelite kasutab meetodit maksimaalne tõenäoline; See tähendab, üks saab tööd naiivsed Bayes mudel ilma Bayesi tõenäosusega arvata või mis tahes Bayesi meetodeid kasutades.

Hoolimata nende naiivsed disain ja ilmselt liiga lihtsustatud eeldusi, naiivsed Bayes klassifikaatorite töötavad sageli palju paremini paljude keerukate reaalses olukorras kui võiks arvata. Hiljuti Bayesi liigitamise probleemi hoolikas analüüs on näidanud, on olemas mõned teoreetilised põhjused naiivsed Bayes klassifikaatorite ilmselt ebamõistlik efektiivsust. [1] naiivne Bayes salastaja eelis on see, et see nõuab väike koolitus andmete hindamiseks parameetrid (vahendite ja muutujate dispersioon) vajalikud klassifitseerimiseks. Sest sõltumatud muutujad teljelaius ainult kui erinevused muutujate iga klassi vajadust kindlaksmääratavate ja mitte kogu kovariatsiooni maatriks.

K lähima naabrid

Milline on K lähima naabrid klassifitseerijale

Vastavalt Vikipeedia,

Kujutuvastuseks, on k-lähima naabrid algoritm (k-NN) liigitamise objektid lähima koolitus näite varal funktsioon ruumi. k-NN on astme õpet või laisk õppimine kui funktsioon on ainult ligikaudne väärtus lokaalselt ja kõik arvutus on kavandatud klassifikatsiooni. Seda saab kasutada ka tagasi võetud.

SVM (toetus vektori masin

Mis on toetus vektori masin

Vastavalt Vikipeedia,

Toetust vektori masinad (SVMs) on kogum seotud järelevalve õppemeetodite liigitamise ja regressioon. Sisestatud andmete vaatamiseks on kahte liiki vektorite n-mõõtmeline ruum on SVM ehitada elamispinnal, mis maksimeerib kahe andmekogumi varu eraldi hyperplane. Arvutada dumpingumarginaali, kahel paralleelset hyperplanes ehitatud, üks kummalgi küljel eraldi hyperplane, mis on "kergitanud vastu" kahe andmekogumi. Intuitiivselt, hea eraldamise saavutamiseks hyperplane, mis on suurim kaugus mõlema klassi naabruses andmepunktid üldiselt suurem marginaal madalam üldistus viga klassifikaatoris näidatuga.

Ootus-maksimeerimine

Mis on Expectaion-maksimeerimiskatse klassifitseerijale

Vastavalt Vikipeedia,

Ootus-maksimeerimiskatse (EM) algoritmi kasutatakse statistika leidmine suurima tõenäosuse hinnangud parameetrite tõenäosusel mudelid, kui mudel sõltub märkamatu varjatud muutujad. EM on iteratiivne meetod, mis vaheldumisi ootus (E) samm, mis arvutab Logi tõenäosust varjatud muutujate jaotamine praeguse hinnangu ootus, ja maksimeerimine (M) samm, mis arvutab maksimeerida eeldatav Logi tõenäosust näitajates E samm. Neid parameetreid kasutatakse seejärel kindlaks varjatud muutujad E järgmisena jaotus.

Back-paljundamise närvivõrgud simulatsioon

See on lihtne tagasi paljundamise Närvivõrgus simulatsioon

Glüüfe tunnustamine

Tunnustamise glüüfe (või optilise glüüfe nagu neid nimetatakse kõige sagedamini) on üsna ristmik teema, mis on rakendust mitmetes eri valdkondades. Optiline glüüfe populaarsemaid on suurendatud reality, kus arvuti nägemine algoritm leiab neid video stream ja asendab kunstlikult loodud esemeid luua vaate, mis on pool tegelik ja pool virtual - virtuaalsete objektide reaalses maailmas. Teine optiline glüüfe kehtivusala on robootika, glüüfide kasutuskohta anda käske robot või aidata robot navigeerida mõned keskkonnas kus glüüfe saab anda robot suundades. Siin on üks kena demod optiline glüüfe taotluse:

Kernel peamine komponent analüüs (KPCA)

Proovi taotluse näitab sobimatuid transformatsioone ja dimensionaalsus vähendamise Kernel peamine komponent analüüs (KPCA) abil.

Lineaarne Discriminant analüüs (LDA)

Proovi taotluse näidates, kuidas kasutada lineaarset Discriminant analüüsi (tuntud ka kui LDA või '' Fisheri (mitme muutujaga) lineaarsete Discriminant analüüsi '') lineaarse ahela ning klassifikatsioon.

Peamine osa analüüs (PCA)

Proovi taotluse näidates, kuidas kasutada peamise komponendi analüüsi (PCA) lineaarse ahela ning dimensionaalsus vähendamine.