针对Python教学案例自动分类与推荐中存在的推荐精度较低的问题,文章提出了基于深度学习的Python教学案例自动分类与推荐方法。文章通过估算Python教学案例资源分布密度,确定Python教学案例资源分布状况,在此基础上采用密度聚类算法对Py...针对Python教学案例自动分类与推荐中存在的推荐精度较低的问题,文章提出了基于深度学习的Python教学案例自动分类与推荐方法。文章通过估算Python教学案例资源分布密度,确定Python教学案例资源分布状况,在此基础上采用密度聚类算法对Python教学案例自动分类并利用深度学习对Python教学案例进行深度挖掘,实现对Python教学案例的个性化推荐。实验证明,文章方法折损累计增益(Discounted Cumulative Gain, DCG)不低于0.6,召回率不低于95%,可以实现对Python教学案例精准分类与推荐,能够满足用户的Python学习需求。展开更多
基于Python语言,结合“老师-学生”模型以及卷积自编码网络提出了Sound Auto Encoder算法,深入研究学生学习算法和实践研究,通过无监督特征学习的方式处理音频数据,根据自编码网络、卷积神经网络原理及相关工作,提出SoundAutoEncoder模...基于Python语言,结合“老师-学生”模型以及卷积自编码网络提出了Sound Auto Encoder算法,深入研究学生学习算法和实践研究,通过无监督特征学习的方式处理音频数据,根据自编码网络、卷积神经网络原理及相关工作,提出SoundAutoEncoder模型及SoundNet中的“老师-学生”模型.在音频数据的特征学习中,通过分析现有算法优势及局限,对SoundAutoEncoder算法模型网络结构及网络学习算法进行分析.通过实验,对算法Sound Auto Encoder和Sound Net进行对比,在五折上,Soimd Auto Encoder算法取得的结果要比Sound Net明显好;在低于600次迭代中,Soimd Auto Encoder算法的结果相较好,Sound Net算法基本处于训练初级阶段,且与可获得的最好结果尚有差距.展开更多
文摘针对Python教学案例自动分类与推荐中存在的推荐精度较低的问题,文章提出了基于深度学习的Python教学案例自动分类与推荐方法。文章通过估算Python教学案例资源分布密度,确定Python教学案例资源分布状况,在此基础上采用密度聚类算法对Python教学案例自动分类并利用深度学习对Python教学案例进行深度挖掘,实现对Python教学案例的个性化推荐。实验证明,文章方法折损累计增益(Discounted Cumulative Gain, DCG)不低于0.6,召回率不低于95%,可以实现对Python教学案例精准分类与推荐,能够满足用户的Python学习需求。
文摘基于Python语言,结合“老师-学生”模型以及卷积自编码网络提出了Sound Auto Encoder算法,深入研究学生学习算法和实践研究,通过无监督特征学习的方式处理音频数据,根据自编码网络、卷积神经网络原理及相关工作,提出SoundAutoEncoder模型及SoundNet中的“老师-学生”模型.在音频数据的特征学习中,通过分析现有算法优势及局限,对SoundAutoEncoder算法模型网络结构及网络学习算法进行分析.通过实验,对算法Sound Auto Encoder和Sound Net进行对比,在五折上,Soimd Auto Encoder算法取得的结果要比Sound Net明显好;在低于600次迭代中,Soimd Auto Encoder算法的结果相较好,Sound Net算法基本处于训练初级阶段,且与可获得的最好结果尚有差距.
