预测是为了更好地创造未来

过去一年,云计算、移动互联网、大数据、物联网、社交网络等的兴起,使得IT产业进入了一个十分活跃的时期。这些新技术、新模式的逐步普及,给整个IT产业甚至全行业都带来了巨大的冲击和变革。可以看到,在短短几年甚至一两年内,很多产业都在上演着格局的变化和更替。在这种情况下,对于未来的预测就显得更有必要、也更有价值。管理大师德鲁克曾经说过,预测未来的最     

基于多示例多标记学习的手机游戏道具推荐

手机游戏提供商通过在游戏中销售虚拟道具来获得收益。将游戏玩家日志数据中每个事件描述为一个示例,玩家对多种游戏道具的购买状态表示为多个标记,从而将游戏道具推荐问题抽象为多示例多标记学习问题。在此基础上,将快速多示例多标记学习算法用于手机网络游戏道具推荐,并利用半监督学习提升推荐性能。离线数据集以及实际在线手机网络游戏实验结果表明,基于多示例多标记学习的游戏道具推荐技术带来了游戏营收的显著增长。     

斯坦福大学公开课：机器学习课程——Open Stanford Course Engineering Everywhere-MachineLearning

随着"智能制造"概念的普及,人工智能技术的研究与应用变的越来越被人们关注。人工智能在制造中的运用已经成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。机器学习无疑是最有希望实现这个"智能"的研究方向之一。斯坦福大学的"Stanford Engineering Everywhere"免费提供学校里最受欢迎的工科课程给全世界的学生和教育工作者。得益于这个项目,我们有机会和全世界站在同一个数量级的知识起跑线上。     

媒体认知实验教学改革研究与探索

媒体认知实验课程是清华大学电子信息学科在课程体系改革过程中提出的一门创新性前沿必修课程。文章阐述全面覆盖人机感知交互、媒体信息处理、虚拟现实及信号处理领域的一套基于英特尔Real Sense设备的探索前沿型实验教学课程内容及平台特点,分别介绍三维手势识别实验项目和三维虚拟交互行为分析实验项目,旨在培养学生的智能感知技术开发能力,掌握成为感知技术前沿领域高层次专业人才必需的各项基本技能和专业知识,采用集体创新培养和个人研究探索相结合,最终达到理工与人文、技术与艺术、感知与思考的高度融合。     

随机森林理论浅析

随机森林是一种著名的集成学习方法,被广泛应用于数据分类和非参数回归。本文对随机森林算法的主要理论进行阐述,包括随机森林收敛定理、泛化误差界以和袋外估计三个部分。最后介绍一种属性加权子空间抽样的随机森林改进算法,用于解决超高维数据的分类问题。     

软件可靠性模型研究进展

软件可靠性模型旨在根据软件失效数据,通过建模给出软件的可靠性估计值或预测值.它不仅是软件可靠性预计、分配、分析与评价的最强有力的工具,而且为改善软件质量提供了指南.对近年来提出的多种不同的软件可靠性模型进行分类剖析,讨论了部分模型的预测能力和适用性,分析了多个模型适用性差的原因,还对未来的研究趋势进行了展望.     

基于最大间隔马尔可夫网模型的汉语分词方法

分词是汉语自然语言处理研究中非常重要的一个环节,在早先的研究中,最大熵模型和条件随机场(CRF)模型已经广泛运用到汉语自动分词的工作中。最大间隔马尔可夫网(M3N)模型是近年来由B.Taskar等^[1]人提出的一种新型结构学习模型。该文尝试将这一模型用于汉语分词建模并进行实验,实验结果显示,基于给定的训练语料与测试语料,分词精度可以达到95％,表明基于最大间隔马尔科夫网的汉语分词方法可以取得较高的分词精度,是一种有效的汉语分词方法。     

基于LSSVM的木材干燥建模研究

针对木材干燥过程的强非线性特点,提出以最小二乘支持向量机LSSVM建立木材干燥基准模型.通过实验用小型木材干燥窑实际干燥过程中采集的数据作为训练样本进行仿真实验,结果表明基于LSSVM的木材干燥模型预测输出能够准确反映干燥过程木材含水率的变化,模型结构简单、预测精度高、泛化能力强,验证了LSSVM对木材干燥过程建模是一种可行而有效的方法.     

Network traffic classification based on ensemble learning and co-training

Classification of network traffic is the essential step for many network researches. However,with the rapid evolution of Internet applications the effectiveness of the port-based or payload-based identifi-cation approaches has been greatly diminished in recent years. And many researchers begin to turn their attentions to an alternative machine learning based method. This paper presents a novel machine learning-based classification model,which combines ensemble learning paradigm with co-training tech-niques. Compared to previous approaches,most of which only employed single classifier,multiple clas-sifiers and semi-supervised learning are applied in our method and it mainly helps to overcome three shortcomings:limited flow accuracy rate,weak adaptability and huge demand of labeled training set. In this paper,statistical characteristics of IP flows are extracted from the packet level traces to establish the feature set,then the classification model is created and tested and the empirical results prove its feasibility and effectiveness.     

集成学习算法在不平衡分类中的应用研究

提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成.在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判.实验结果验证集成学习算法处理不平衡分类问题的有效性.