- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 训练完成后，对一组随机行走中节点的共现矩阵进行正则化，我们可以得到一个新的图 5. 图时空网络Graph Spatial-Temporal Networks 图时空网络同时捕捉时空图的时空相关性。 节点分类、图形分类和图形生成是分子图的三个主要任务，它们可以用来学习分子指纹、预测分子性质、推断蛋白质结构、合成化合物。 5.
92130发布于 2021-03-23 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 这相当于监督学习中的train/test的划分。 然后，我们评估密集图的正确预测的比例，或者使用稀疏图的标准曲线下的面积(AUC)。 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。
1.5K10发布于 2021-03-17 - 来自专栏飞天小牛肉
5 幅图拿下 ARP 协议
在上一篇文章 别再恐惧 IP 协议 中， 我们了解到，「网络层实现主机之间的通信，而链路层实现具体每段链路之间的通信」。也就是说：只要在网络层确定了 IP 地址，就可以向这个目标地址发送 IP 数据报。然而，在底层数据链路层，进行实际通信时却有必要了解每个 IP 地址所对应的 MAC 地址。
59920发布于 2021-02-26 - 来自专栏机器之心
图论与图学习（二）：图算法
我们将在第三篇文章中介绍图中的机器学习和图学习。 prim', data=False) edgelist = list(mst) sorted(edgelist) 这会返回： [(0, 1), (0, 2), (0, 3), (0, 4), (0, 5) 这通常用在图分析过程的早期阶段，能让我们了解图构建的方式。举个例子，这能让我们探索财务报表数据，了解谁拥有什么公司的股份。 5. c_closeness = nx.closeness_centrality(G_karate) c_closeness = list(c_closeness.values()) 5. 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E.
4.4K22发布于 2019-08-06 - 来自专栏图与推荐
斯坦福CS224W 图与机器学习5】Spectral Clustering
Part3 谱图划分 先说结论，对于谱聚类，可以分为以下三步： 数据预处理：利用图的邻接矩阵A，度矩阵D，计算拉普拉斯矩阵 [6jolosqxq3.svg] 分解：计算拉普拉斯矩阵的特征值和特征向量， ] ,另 [04bfb7r34h.svg] ,则 [f76y2n8zap.svg] ，即 [1jfm4a9a5x.svg] 。 则有： [kzwok5ajk1.svg] 由于当 [unq8ywt0pd.svg] 时， [dn5e96e1xf.svg] ，则 [nq61vty5sn.svg] Part3.3 特征值&谱聚类 [xlcaox5ixa.jpeg] 通过上述三个部分，就简单解释了谱图聚类三个步骤的意义~ 再补充一些提到的其他问题： 可以证明，如果将图G划分为A和B两个部分，且 [4ku7zwiwos.svg] motif的谱聚类 第三节中有介绍到motif，将图拆解为一个个子图来重新看待网络，motif给了网络一个新的定义方式，可以考虑从motif的角度（而不是上述边的角度）出发来进行谱图聚类，来捕捉图的角色信息
1.2K30发布于 2020-05-21 - 来自专栏DrugOne
图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.8K70发布于 2021-02-02 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 更多学习教程 github.com/maelfabien/Machine_Learning_Tutorials 五. 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.5K32发布于 2021-01-27 - 来自专栏CKL的思考空间
学习累积流图
01 累积流图是如何生成的？团队需要根据自己的研发过程流程节点，记录某天每个节点上的数量，然后以日期为横坐标，卡片数量为纵坐标，生成如下图所示的图形，就是累积流图了。 在迭代中，SM经常还会关注一个图：燃尽图。它是以图表展示随着时间的减少工作量的剩余情况。工作量一般以竖轴展示，时间一般以横轴展示。 燃尽图对于预测何时完成工作很有用，但是它只有结果，没有过程，不利于问题分析。 02 那么，对于累积流图，我们需要关注一些什么呢？以上图为例，我们需要关注以下几点。 在现实的团队中，不太可能出现完美的累积流图，那么，我们可以通过累积流图发现哪些问题呢？ 如上图，在迭代的后期，卡片状态都没有变化了，那么就需要关注下团队在干什么，放假了？ 用累积流图观察一个团队的工作进展时，数值本身不能说明问题，但数值的变化趋势会给我们一些预警，告诉我们哪个环节可能碰到了问题或成为瓶颈。
1.1K10编辑于 2023-08-28 - 来自专栏python3
python 学习导图
?
59020发布于 2020-01-14 - 来自专栏全栈程序员必看
活动图学习笔记
1 活动图基本概念 事件流除了用文本形式来表示外，还经常用活动图来表示。为什么有了文本形式以后还要开发这种框图形式呢？ 活动图显示与文本事件流相同的信息。我们在业务模型中用活动框图描述业务过程的工作流。 2 活动图的组成要素 活动图的组成要素主要有：起始点和终止点、活动、迁移、决策框、分支和汇聚。 起始点：指明活动开始位置；一个活动图只能有一个起始点。 终止点：指明活动的结束位置；一个活动图可以有多个结束点，不同的结束点表达系统执行后可以达到不同的结果状态。 2.2 活动 活动是活动图的基本组成部分，一个活动图至少应该包括一个活动。活动用以下符号表示。 另外，可以在活动中增加更多详细的步骤，并且我们通常在这些操作前面加上一些标记字样。 3 带泳道的活动图 4 活动图建模原则 “活动图” 比较直观易懂；与传统的流程图十分的相近，只要能够读懂活动图，就不难画出活动图。
2.4K10编辑于 2022-08-18 - 来自专栏后端技术学习
RocketMQ学习5
进行消息发送的过程首先会准备好路由信息，最终是由netty完成的，也即使用nettyRemotingClient来实现的。
69120发布于 2020-08-04 - 来自专栏水击三千
UML学习-时序图
时序图（Sequence Diagram）是显示对象之间交互的图，这些对象是按时间顺序排列的。顺序图中显示的是参与交互的对象及其对象之间消息交互的顺序。 （5）消息 消息一般分为同步消息（Synchronous Message），异步消息（Asynchronous Message）和返回消息（Return Message）。 Parallel fragment (denoted “par”) 表示同时发生 Ø Loop fragment(denoted “loop”) 与 for 或者 Foreach对应 2.时序图实例
2.1K90发布于 2018-02-27 - 来自专栏快乐八哥
Photoshop切图学习
前端开发中，之前都是Designer给我们切好图，给出readline，所以我们前端工程师基本不自己动手切图，现在换了新的公司，需要我们自己手动切一些图。 2.如何快速从一个大图中切出需要的那个小图(Sign in按钮) 通过上述方法，我们制作了一个简单的放大版的登录按钮，现在要裁剪下来，给前端开发使用。 所以要了解如何从一张很大的图（就是说有很多图层构成的图）切出那个小图（当前就是制作好的登录按钮） 步骤： a.新建一个photoshop文件 然后直接将选中的登录按钮拖放到新的文件上。
1.4K30编辑于 2022-05-11 - 来自专栏CreateAMind
模仿学习 比较图
ONE-SHOT HIGH-FIDELITY IMITATION: TRAINING LARGE-SCALE DEEP NETS WITH RL
69520发布于 2018-12-28 - 来自专栏腾讯技术工程官方号的专栏
娓娓道来图模型、图查询、图计算和图学习知识
GAS模型，又将GraphLab的性能提升了将近5倍。 而点向量则是可以作为特征无缝地支持下游深度学习任务，因此图学习也是在工业界落地最多，使用最普遍的图技术。 图表示学习的核心本质在于表示学习，图只是作为数据源，因此图表示学习的技术部分主要在于表示学习，除了数据外，并没有图的语义，也没有图的算法，理解这点对如何使用、何时使用图表示学习至关重要。 这里向大家分享下思考的心得：构图关联对问题的指向性决定了表示学习的是否有效果。还是回到刚才的问题，即图表示学习有用时，是表示学习起了作用还是图起了作用。 5 总结 图查询的关键在于可视化与即时关联分析的高效 图计算的核心作用再全局关联计算中的性能加速 图学习同目前业务需求关系最为紧密，作用最为明显 图的运用应该在遇到业务瓶颈之后 图的产品应该聚焦业务需求
4.2K33发布于 2021-01-26 - 来自专栏c++与qt学习
Qt学习--------5
自定义信号： 写到signal下 返回值是void，只需要声明，不需要实现 可以有参数，可以重载
33310发布于 2021-02-22 - 来自专栏机器学习/数据可视化
pyecharts-5-绘制柱状图
Pyecharts-5-绘制柱状图Bar 本文中介绍的是如何利用pyecharts中绘制各种bar柱状图。 主要是参考官网的各种例子进行学习和整理 导入各种库 from pyecharts import options as opts from pyecharts.charts import Bar from / (18 + 3)}, {"value": 23, "percent": 23 / (23 + 21)}, {"value": 33, "percent": 33 / (33 + 5) {"value": 3, "percent": 3 / (18 + 3)}, {"value": 21, "percent": 21 / (23 + 21)}, {"value": 5, "percent": 5 / (33 + 5)} ] c = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT)) # 使用的主题
94520发布于 2021-03-01 - 来自专栏黯羽轻扬
5 图看懂 Node 模块加载原理
注意一个细节，是在加载&执行模块文件前会先缓存module实例，而不是之后才缓存，这是Node.js 能够从容应对循环依赖的根本原因：
1.4K20发布于 2020-05-22 - 来自专栏数据小魔方
sparklines迷你图系列5——Evolution（Horizon）
今天跟大家分享区域（面积图）图的一个变体——水平线图。 之所以说是面积图的变体，因为这种水平线图，表达的信息与面积图几乎差不多，差别仅仅在图表呈现形式上。 水平线图的生成过程如下： 下面通过案例参数设置看下如何在excel的sparklines迷你图菜单中完成制作： 通过函数公式填充，可以得到一组水平线图，通过颜色重叠的深浅，可以大致判断出正负指标的绝对值相对大小
97160发布于 2018-04-11 - 来自专栏机器学习与统计学
机器学习、深度学习思维导图
tips：文末附高清大图下载链接 机器学习篇 1. 流程 数据科学不是一蹴而就之事，而是一个需要设计，实施和维护的过程，下图包含对所涉及内容的快速概述。 ? 2. 数据处理 首先，我们需要一些数据。 数学 机器学习是一个建立在数学基础之上。 ? 4. 概念 部分类型，类别，方法，库和方法列表。 ? 5. 模型 目前最流行的机器学习模型。 ? ? 深度学习篇 1.概念 深度学习体系结构的构成，以及每个组件背后的数学注释。 ? 2.架构 根据需要解决的问题，已开发不同的深度学习架构，这是部分内容和调整说明。 ? 3. Tensorflow TensorFlow是一个使用数据流图进行数值计算的开源软件库。思维导图列出了它的一些组件，包和整体架构。 ?
68320发布于 2019-12-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号