菜单
首页
文章
资源
资源分享
UI 界面
杂谈
PDF 电子书
HTML 模板
话题
手册
知识库
更多
所有标签
所有用户
捐赠本站
客户端下载
代码广场
在线工具
超级导航
{{ userInfo.display_name }}
写文章
发话题
草稿
我的主页
我的文章
我的评论
我的话题
我的回复
我的收藏集
用户中心
资料设置
退出
登录
返回介绍
一、我们为什么在这里
为什么学习数值线性代数?
矩阵计算
准确度
内存使用
速度
可扩展性/并行化
二、SVD 背景消除
加载和格式化数据
奇异值分解
三、使用 NMF 和 SVD 的主题建模
附加资源
建立数据
奇异值分解(SVD)
非负矩阵分解(NMF)
截断 SVD
四、随机化 SVD
第一部分:随机投影(使用词向量)
第二部分:用于背景消除的随机 SVD
第三部分:用于主体建模的随机 SVD
五、LU 分解
随机投影发生了什么?
分块矩阵
六、使用鲁棒回归的 CT 扫描的压缩感知
广播
生成数据
生成投影
回归
使用 Sklearn 线性回归重构图像
七、线性回归和健康结果
糖尿病数据集
Sklearn 中的线性回归
多项式特征
加速特征生成
八、如何实现线性回归
起步
朴素解法
正规方程(Cholesky)
QR 分解
运行时间
比较
九、PageRank 和特征值分解
两个方便的技巧
动机
特征值分解
DBpedia 数据集
幂方法
QR 算法
两阶段方法
Arnoldi 迭代
放到一起
最后
十、实现 QR 分解
Gram-Schmidt
Householder
类比
示例
文江博客
开发文档
fast.ai 数值线性代数讲义中文版 v2
文章详情
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
二、SVD 背景消除
发布于
2025-01-01 12:38:39
字数 123
浏览 0
评论 0
收藏 0
我们今天的目标:
收藏 0
分享到微信
分享到QQ
分享到微博
如果你对这篇内容有疑问,欢迎到本站
社区
发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
发布评论
需要
登录
才能够评论, 你可以免费
注册
一个本站的账号。
发布评论
列表为空,暂无数据
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
确认绑定
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的
隐私政策
了解更多相关信息。 单击
接受
或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
取消
接受
原文
×
发布评论