支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

机器学习与人脸识别方法概述

对机器学习与人脸识别的基本含义和主要方法进行了概述.提出融合人脸的多种生物特征,改进现有的机器学习算法,并进一步推进机器学习方法在人脸识别中的应用,将十分有利于人脸识别精度的改善和人脸识别速度的提高.     

机器学习方法及其在生物信息学中的应用

分析了机器学习技术的内容,介绍了生物信息学的内涵和新的应用技术,同时探索了机器学习技术对生物信息挖掘应用的途径.这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面研究的进展.     

机器学习的研究

本文对机器学习进行了深入研究,从机器学习的发展历程、研究领域、系统构成及其在分类上的应用四个方面论述了机器学习的发展和应用。     

机器学习技术在生物信息挖掘中的方案探讨

后基因时代,探索和解释隐藏在分子生物学数据库中的有用信息是对生物信息学研究人员的巨大挑战!为了解决分子生物学中遇到的这些难题,有效及廉价的方法是非常必要的.机器学习是一个崭新的计算机应用领域,而生物信息学是生物学与计算机科学以及应用数学等学科相互交叉而形成的一门新兴学科.本文分析了机器学习技术的内容,介绍了生物信息学的内涵和新的应用技术,同时探索了机器学习技术对生物信息挖掘应用的途径.这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面的研究进展.     

深度学习结构和算法比较分析

Hinton等人提出的深度机器学习,掀起了神经网络研究的又一个浪潮.介绍了深度机器学习的基本概念和基本思想.对于目前比较成熟的深度机器学习结构深度置信网DBNs和约束Boltzmann机(RBM)的结构和无监督贪婪学习算法作了比较详细的介绍和比较,并对算法的改进方向提出了有建设性的意见,对深度机器学习的未来发展方向和目前存在的问题进行了深刻的分析.     

应用机器学习加速新材料的研发

材料不仅是国民经济的基础,而且也是高新技术的载体.超越常规手段、应用新方法加速新材料的研发已成为全世界的研究热点.随着数据驱动方法取得的巨大成功,机器学习受到了日益高度的关注.它结合计算机科学、数据库理论、统计学、计算数学和工程学,不仅能展现出更快的计算速度和可靠的预测能力,大幅度提升材料计算效率,而且还能有效地处理一些难以运用传统模拟计算方法解决的体系和问题,这为研发具有特殊功能和特殊结构的新材料以满足日益提升的新技术的要求提供了契机.本文将简要概述机器学习的基本原理,介绍机器学习模型中的几种典型算法以及机器学习在新材料研究中的应用进展,并对机器学习在材料科学领域中的未来的发展前景做出展望.     

机器学习在高熵电催化材料中的研究进展

高熵材料(high-entropy material, HEM)是一类具有良好性能的新型材料,以其较好的催化潜力、耐腐蚀性能等特点受到广泛关注.传统的高熵催化剂研究大多局限于各自的知识体系,难以兼容合并,不利于更优异的催化剂的后续研发.机器学习(machine learning,ML)作为一种基于大数据集来建立数理模型、进行研究推理的新兴学科,正逐步成为人们重点关注的人工智能科学分支.通过机器学习建立大数据库可以有效改善传统的研究状况,使研究效率大为提高.机器学习能用于识别定量的组分-结构-性能关系,通过从历史数据中学习而无需通过显式编程来加速电催化剂的设计.对机器学习算法、高熵材料进行了介绍,并阐述了机器学习在设计高熵电催化剂中的应用,讨论了机器学习在高熵电催化剂筛选和预测方面的发展前景.     

机器学习在非晶材料中的应用

作为新兴非晶材料的金属玻璃由于其优异的力学、物理以及化学性能而被广泛研究.玻璃形成能力一直是制约着非晶材料发展的重要问题,为了设计出具有良好玻璃形成能力的非晶材料,对非晶材料的玻璃形成能力已经有大量的研究.研究表明单一的影响因素不足以全面解释非晶材料的玻璃形成能力,即玻璃形成能力是由多种因素共同影响的.另一方面,由于非晶材料具有复杂且无序的结构,传统的方法难以全面、清晰地理解非晶材料的结构与本质.机器学习这一新的研究范式为解决非晶材料领域的关键瓶颈问题提供了新的途径和契机.本文首先简单介绍了一些机器学习算法,如支持向量机、人工神经网络和K均值聚类.随后介绍了机器学习在非晶材料中的应用,包括非晶结构分类、非晶结构-性能关联和非晶宏观性质的预测,并提出了基于机器学习方法在未来非晶研究中的应用前景,包括非晶数据库的建立、高通量计算方法的发展和机器学习势函数的发展.     

一种逻辑模型树算法在网络舆情中的谣言检测

网络舆情中的谣言对社会危害极大,因此有效地检测网络舆情中的谣言已是当务之急.目前,一些单一机器学习算法被相继应用到谣言检测中.针对这些单一机器学习算法在分类上的局限性,将一种融合逻辑回归与决策树的逻辑模型树方法用于谣言检测上.根据舆情分析报告上采集的数据集,实验结果表明:组合模型逻辑模型树的分类预测准确率比已应用到谣言检测的单一机器学习算法明显要高,逻辑模型树是一种有效的谣言检测方法.