参与度识别模型 :hugging_face: TensorFlow和TFLearn实现： 敬业度是学习体验质量的关键指标，并且在开发智能教育界面中起着重要作用。 任何此类界面都需要具有识别参与程度的能力，以便做出适当的响应； 但是，现有数据非常少，新数据昂贵且难以获取。 这项工作提出了一种深度学习模型，可通过在进行专门的参与数据训练之前，通过对容易获得的基本面部表情数据进行预训练来改善图像的参与识别，从而克服数据稀疏性挑战。 在两个步骤的第一步中，使用深度学习训练面部表情识别模型以提供丰富的面部表情。 在第二步中，我们使用模型的权重初始化基于深度学习的模型以识别参与度。 我们称其为参与模型。 我们在新的参与度识别数据集上训练了该模型，其中包含4627个参与度和脱离度的样本。 我们发现参与模型优于我们首次应用于参与识别的有效深度学习架构，以及优于使用定向梯度直方图和支持向量机的方法。 参考 :hugging_face: 如果您使用我们的

目录 介绍 该存储库表示在开发用于材料科学中的机器学习的图形网络方面的工作。 这项工作仍在进行中，到目前为止，我们开发的模型仅基于我们的最大努力。 我们欢迎任何人使用我们的代码和数据来构建和测试模型的努力，所有这些代码和数据都是公开的。 也欢迎任何意见或建议（请在Github Issues页面上发帖。） 使用我们的预训练MEGNet模型进行晶体特性预测的Web应用程序可从。 MEGNet框架 MatErials图形网络（MEGNet）是DeepMind图形网络[1]的实现，用于材料科学中的通用机器学习。 我们已经证明了它在分子和晶体的广泛属性中实现非常低的预测误差方面所取得的成功（请参阅 [

基于LSTM神经网络模型的日志异常检测 主要基于Deeplog实现 DeepLog - Anomaly Detection and Diagnosis from System Logs through Deep Learning (部分paper来源于知网，请尊重版权~)

Reinforcement Learning An Introduction.pdf 2017年11月 445页

基于栅格法构建地图的Q-Learning路径规划python代码

svm支持向量机python代码 机器学习语义分割-随机森林，支持向量机，GBC Machine learning semantic segmentation - Random Forest, SVM, GBC.zip

Phishing_Website_Detection：该项目基于使用随机森林分类公式检测网络钓鱼欺诈性网站。 使用Python编程语言和Django框架实现

通过深度学习在光谱学中检索气体浓度 田林波，孙佳晨，张军，夏金宝，张志峰，Alexandre A. Kolomenskii，汉斯·舒斯勒，张ler 该存储库提供补充材料，包括： 代码 load data.py-将数据从xlxs文件加载到pkl。 I / O例程 模型Implementation.py-在Keras中实现的深度神经网络（1D-CNN＆DMLP）。 Pre-training.py-预训练模型的说明 transfer-learning.py-为预训练的模型实施转移学习的说明。 数据集 目前，我们尚未决定如何提升大容量数据集的水平。与编辑协商后将确认。

聚合视图对象检测 此存储库包含用于3D对象检测的聚合视图对象检测（AVOD）网络的Python实现的公共版本。 （ ，（ ，，（ ，（ 如果您使用此代码，请引用我们的论文： @article{ku2018joint, title={Joint 3D Proposal Generation and Object Detection from View Aggregation}, author={Ku, Jason and Mozifian, Melissa and Lee, Jungwook and Harakeh, Ali and Waslander, Steven}

Machine learning methods extract value from vast data sets quickly and with modest resources. They are established tools in a wide range of industrial applications, including search engines, DNA sequencing, stock market analysis, and robot locomotion, and their use is spreading rapidly. People who know the methods have their choice of rewarding jobs. This hands-on text opens these opportunities to computer science students with modest mathematical backgrounds. It is designed for final-year undergraduates and master's students with limited background in linear algebra and calculus. Comprehensive and coherent, it develops everything from basic reasoning to advanced techniques within the framework of graphical models. Students learn more than a menu of techniques, they develop analytical and problem-solving skills that equip them for the real world. Numerous examples and exercises, both computer based and theoretical, are included in every chapter. Resources for students and instructors, including a MATLAB toolbox, are available online.