« Home « Kết quả tìm kiếm

Máy học véc tơ hỗ trợ SVM

Tìm thấy 12+ kết quả cho từ khóa "Máy học véc tơ hỗ trợ SVM"

MÔ HÌNH MỜ TSK DỰ ĐOÁN GIÁ CỔ PHIẾU DỰA TRÊN MÁY HỌC VÉC-TƠ HỖ TRỢ HỒI QUY

ctujsvn.ctu.edu.vn

MÔ HÌNH MỜ TSK DỰ ĐOÁN GIÁ CỔ PHIẾU DỰA TRÊN MÁY HỌC VÉC-TƠ HỖ TRỢ HỒI QUY Nguyễn Đức Hiển 1 và Lê Mạnh Thạnh 2. Mô hình mờ, mô hình mờ TSK, máy học véc-tơ hỗ trợ, máy học véc-tơ hỗ trợ hồi qui, dự đoán giá cổ phiếu Keywords:. Bài báo này đề xuất một mô hình mờ TSK cho bài toán dự đoán giá cổ phiếu dựa trên mô hình máy học véc-tơ hỗ trợ hồi qui.

NHẬN DẠNG TƯ THẾ NGƯỜI VỚI CAMERA KINECT VÀ MÁY HỌC VÉC-TƠ HỖ TRỢ

ctujsvn.ctu.edu.vn

NHẬN DẠNG TƯ THẾ NGƯỜI VỚI CAMERA KINECT VÀ MÁY HỌC VÉC-TƠ HỖ TRỢ. Posture recognition using camera Kinect and Support Vector Machine. Máy học vector hỗ trợ, nhận dạng tư thế, Kinect. Nhận dạng tư thế người là phân lớp một tư thế thu được từ camera vào một trong các tư thế đã được định nghĩa trước đó ví dụ như: đứng, ngồi, nằm. Người mô tả tư thế sẽ đứng trước camera và hệ thống sẽ nhận dạng tư thế đó là tư thế gì.

PHÂN LOẠI VĂN BẢN VỚI MÁY HỌC VECTOR HỖ TRỢ VÀ CÂY QUYẾT ĐỊNH

ctujsvn.ctu.edu.vn

Khởi đầu, mỗi văn bản được mô hình hóa thành một vectơ cột trong không gian xác định bởi A mxn . 4.2 Máy học véctơ hỗ trợ. Máy học véctơ hỗ trợ (SVM) là một giải thuật máy học dựa trên lý thuyết học thống kê do Vapnik và Chervonenkis xây dựng [13].

HỆ THỐNG HỖ TRỢ TƯ VẤN TUYỂN SINH ĐẠI HỌC

ctujsvn.ctu.edu.vn

Xây dựng module phân loại (tự động) câu hỏi theo từng lĩnh vực bằng kỹ thuật phân loại máy học véc-tơ hỗ trợ (SVM). Xây dựng module gợi ý các câu hỏi liên quan (dùng tf-idf và độ tương đồng Cosine). Phân tích, thiết kế và xây dựng hệ thống (nền web) hoàn chỉnh để tích hợp các module trên..

Giải pháp phân loại bài báo khoa học bằng kĩ thuật máy học

ctujsvn.ctu.edu.vn

Phân loại văn bản với máy học véc-tơ hỗ trợ và cây quyết định. Xây dựng hệ thống phân loại tài liệu tiếng Việt

PHÂN LOẠI VĂN BẢN: MÔ HÌNH TÚI TỪ VÀ TẬP HỢP MÔ HÌNH MÁY HỌC TỰ ĐỘNG

ctujsvn.ctu.edu.vn

Bên cạnh đó, chúng tôi cũng muốn tăng tốc quá trình xây dựng mô hình học của rMNB, rODS bằng việc xây dựng giải thuật song song.. Thời gian huấn luyện mô hình (giây). và Poulet F.: Phân loại văn bản với BPSVM. Trần, C.Đ và Phạm N.K.: Phân loại văn bản với máy học véc tơ hỗ trợ và cây quyết định

PHÂN LOẠI DỮ LIỆU GIEN VỚI GIẢI THUẬT MÁY HỌC ARCX4-RODT

ctujsvn.ctu.edu.vn

Đã cĩ hai lớp giải thuật tiêu biểu là máy học véc tơ hỗ trợ của Vapnik (SVM [Vapnik, 1995]) và rừng ngẫu nhiên của [Breiman, 2001]. được biết đến như là những giải thuật phân lớp hiệu quả các tập dữ liệu cĩ số chiều lớn như dữ liệu gien.. Từ những năm 1990, cộng đồng máy học đã nghiên cứu cách để kết hợp nhiều mơ hình phân loại thành tập hợp các mơ hình phân loại để cho tính chính xác cao hơn so với chỉ một mơ hình phân loại.

GIẢI THUẬT GIẢM GRADIENT NGẪU NHIÊN CHO PHÂN LỚP DỮ LIỆU LỚN

ctujsvn.ctu.edu.vn

Phần 2 sẽ trình bày tóm tắt về máy học SVM, giải thuật SGD sử dụng trong SVM và thay thế hàm hinge loss bằng các hàm xấp xỉ khả vi, cải tiến tốc độ hội tụ của giải thuật SGD. 2 GIẢI THUẬT GIẢM GRADIENT NGẪU NHIÊN CHO VẤN ĐỀ PHÂN LỚP CỦA MÁY HỌC VÉC-TƠ HỖ TRỢ. 2.1 Phân lớp với máy học véc-tơ hỗ trợ. Các phần tử lớp +1 nằm bên phải của siêu phẳng hỗ trợ cho lớp +1, các phần tử lớp -1 nằm phía bên trái của siêu phẳng hỗ trợ cho lớp -1.

PHÂN LỚP ẢNH VỚI GIẢI THUẬT GIẢM GRADIENT NGẪU NHIÊN ĐA LỚP

ctujsvn.ctu.edu.vn

Giải thuật máy học véc tơ. hỗ trợ SVM (Vapnik, 95) là mô hình hiệu quả và phổ biến cho vấn đề phân lớp những tập dữ liệu có số chiều lớn. Xuất phát từ cài đặt hiệu quả giải thuật SVM bằng phương pháp giảm gradient ngẫu nhiên SGD (Bottou &. Boussquet, 08), chúng tôi phát triển giải thuật MC-SGD cho phân lớp đa lớp tập dữ liệu có số chiều lớn này..

SO SÁNH CÁC MÔ HÌNH DỰ BÁO LƯỢNG MƯA CHO THÀNH PHỐ CẦN THƠ

ctujsvn.ctu.edu.vn

Tiếp đến, nghiên cứu tập trung vào hướng tiếp cận dựa trên các mô hình máy học tự động như: k láng giềng (k Nearest Neighbors) (Fix and Hodges, 1952), cây quyết định (Decision Trees) (Breiman et al., 1984), bagging (Breiman, 1996), rừng ngẫu nhiên (Random Forests) (Breiman, 2001) và máy học véc tơ hỗ trợ (Support Vector Machines) (Vapnik, 1995).

NHẬN DẠNG NGÔN NGỮ DấU HIỆU VớI CAMERA KINECT VÀ ĐẶC TRƯNG GIST

ctujsvn.ctu.edu.vn

Một số công trình khác biến đổi một ít mô hình SVM để chuyển từ bài toán quy hoạch toàn phương sang bài toán hệ phương trình tuyến tính (Fung và Mangasarian, 2001) hay cải biên bài toán SVM gốc để giải bằng phương pháp lặp. 4.2 Nhận dạng ngôn ngữ ký hiệu với máy học véc-tơ hỗ trợ. Các đặc trưng được trích ra trong bước trích đặc trưng được dùng để biểu diễn các từ ngôn ngữ dấu hiệu. Như thế, mỗi từ được biểu diễn bằng một véc-tơ đặc trưng có n phần tử.

LỌC MÔ HÌNH ẢNH HƯỞNG TÚI TỪ TRỰC QUAN VÀ THUẬT TOÁN ARCX4-RMNB

ctujsvn.ctu.edu.vn

Hệ thống này sử dụng mạng nơ-ron (neural networks), máy học véc-tơ hỗ trợ (support vector machines) [21] hoặc rừng ngẫu nhiên (random forests) [3] để học phân lớp ảnh khiêu dâm. Một ảnh được biểu diễn bởi tập hợp túi từ trực quan được xây dựng bằng cách áp dụng một giải thuật gom nhĩm lên các véc-tơ mơ tả cục bộ SIFT. Giai đoạn tiền xử lý cho ra một tập dữ liệu với số chiều rất lớn (chẳng hạn 2000 chiều hoặc từ trực quan).

Xây dựng hệ thống phát hiện mã độc trên di động

310845.pdf

dlib.hust.edu.vn

ỨNG DỤNG SVM VÀO PHÁT HIỆN MÃ ĐỘC ANDROID. Tìm hiểu về học máy véc tơ hỗ trợ SVM. Quá trình phân loại sử dụng SVM. Phát hiện mã độc Android sử dụng SVM. Xây dựng véc tơ đặc trưng. XÂY DỰNG ỨNG DỤNG PHÁT HIỆN MÃ ĐỘC TRÊN ANDROID. Mô hình ứng dụng phân loại APK. Xây dựng ứng dụng phát hiện mã độc DroidGuard. Môi trường và công cụ phát triển. 55 Xây Dựng Hệ Thống Phát Hiện Mã Độc Trên Di Động 2 3.3.2. Ứng dụng phân loại apkClassifer.

Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp

277404-tt.pdf

dlib.hust.edu.vn

Sử dụng bốn mô hình nhận dạng: Mạng nơ-rôn MLP (Multi-Layer Perceptron), mạng logic mờ TSK (Takagi–Sugeno–Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng ngẫu nhiên RF (Random Forest) để xây dựng thành các mô hình nhận dạng cơ sở. Lựa chọn các đặc tính của tín hiệu điện tim. Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển các phức bộ QRS nhằm lấy các hệ số khai triển này làm đặc tính.

Nghiên cứu một số phương pháp phân tích tín hiệu điện não đồ nhằm phát hiện và chẩn đoán chứng động kinh ở trẻ em

310504.pdf

dlib.hust.edu.vn

Chương 3: Chương này nghiên cứu về các hệ thống dùng nhận dạng các trạng thái của tín hiệu động kinh bao gồm mạng trí tuệ nhân tạo và máy véc-tơ hỗ trợ SVM. 12 Chương 1 - GIỚI THIỆU CHUNG VỀ BỆNH ĐỘNG KINH VÀ TÍN HIỆU ĐIỆN NÃO ĐỒ Trong chương này, những kiến thức cơ bản về bệnh động kinh và tín hiệu điện não đồ (electroencephalogram-EEG) sẽ được trình bày.

Nghiên cứu một số phương pháp phân tích tín hiệu điện não đồ nhằm phát hiện và chẩn đoán chứng động kinh ở trẻ em

310504-tt.pdf

dlib.hust.edu.vn

Chương 2: Chương này trình bày về phương pháp tạo các đặc trưng của tín hiệu EEG được sử dụng trong phát hiện động kinh. 2 - Chương 3: Chương này nghiên cứu về các hệ thống dùng nhận dạng các trạng thái của tín hiệu động kinh bao gồm mạng nơron nhân tạo và máy véc-tơ hỗ trợ SVM. Chương 4: Trình bày về các thuật toán dùng phát hiện và cảnh báo động kinh, bằng phương pháp sử dụng SVM.

PHÂN LOẠI Ý KIẾN TRÊN TWITTER

ctujsvn.ctu.edu.vn

Phân loại văn bản, phân loại ý kiến, mơ hình túi từ Bow, máy học vectơ hỗ trợ SVM, giải thuật Nạve Bayes, mạng ngữ nghĩa. Multinomial Nạve Bayes (MNB), WordNet. Phân loại ý kiến trên Twitter là phân loại cho từng bình luận theo hướng quan điểm tích cực hay tiêu cực dựa trên nội dung bình luận. Trong bài viết này, chúng tơi đề xuất sử dụng mơ hình túi từ và giải thuật máy học Multinomial Nạve Bayes để phân loại ý kiến.

PHÂN LỚP DỮ LIỆU VỚI GIẢI THUẬT NEWTON SVM

ctujsvn.ctu.edu.vn

ARC-x4-NSVM cho phân loại dữ liệu lớn. 2 GIẢI THUẬT MÁY HỌC NSVM. Cho m phần tử x 1 , x 2. x m trong không gian n chiều, biểu diễn bởi ma trận A[mxn], có nhãn (lớp) của các phần tử là y 1 , y 2. 2.1 Giải thuật SVM. Giải thuật học SVM của Vapnik [15] tìm siêu phẳng tối ưu (xác định bởi véc-tơ pháp tuyến w và độ lệch của siêu phẳng b) dựa trên 2 siêu phẳng hỗ trợ của 2 lớp..

Tìm kiếm CVs tương ứng với yêu cầu tuyển dụng.

000000296827-tt.pdf

dlib.hust.edu.vn

Sau đó, luận văn đã lựa chọn sử dụng phương pháp phân loại máy véc tơ hỗ trợ cho quá trình phân loại. Phương pháp nghiên cứu Phương pháp nghiên cứu lý thuyết: Nghiên cứu mô hình bài toán phân loại đơn xin việc. Tìm hiểu về phương pháp tiền xử lý dữ liệu và mô hình hoá dữ liệu sang không gian véc tơ. Đề xuất phương pháp phân loại bằng máy véc tơ hỗ trợ (SVM). Phương pháp nghiên cứu thực nghiệm: Phân tích, thiết kế mô đun phân tích và tiền xử lý dữ liệu.

XÂY DỰNG HỆ THỐNG HỖ TRỢ KHUYẾN NÔNG TRÊN CÂY LÚA QUA MẠNG THÔNG TIN DI ĐỘNG

ctujsvn.ctu.edu.vn

Tiếp đến, một mô-đun phân loại tin nhắn được thiết lập dựa trên sự kết hợp các phương pháp máy học với công nghệ xử lý ảnh và xử lý văn bản. Trong bài viết này, chúng tôi đề xuất một giải pháp mới nhằm hỗ trợ cho công tác khuyến nông, cụ thể là khuyến nông qua mạng thông tin di động bằng tin nhắn SMS/MMS.