Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %

SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。

NGBoost：用于概率预测的自然梯度提升 ngboost是一个Python库，实现了“自然梯度增强”，如。 它建立在，旨在针对适当的评分规则，分布和基础学习者的选择进行扩展和模块化。 在此可以对NGBoost的基本方法进行详尽的介绍。 安装 via pip pip install --upgrade ngboost via conda-forge conda install -c conda-forge ngboost 用法 波士顿住房数据集上的概率回归示例： from ngboost import NGBRegressor from sklearn . datasets import load_boston from sklearn . model_selection import train_test_split from sklearn . metrics import mean_squared_error X , Y = load_boston ( True ) X_train , X_test , Y_train , Y_test = train_test_split

Seldon Core：Swift燃烧，面向行业的ML 一个开源平台，可在Kubernetes上大规模部署您的机器学习模型。 总览 Seldon核心将您的ML模型（Tensorflow，Pytorch，H2o等）或语言包装器（Python，Java等）转换为生产REST / GRPC微服务。 Seldon可以扩展到数千种生产机器学习模型，并提供先进的机器学习功能，包括高级度量，请求日志记录，解释器，异常值检测器，A / B测试，Canaries等。 阅读 加入我们的，提出任何问题 入门 加入我们每两周一次的： 了解如何 查看深入了解Seldon Core组件的 使用Seldon Core观看一些对话 高级功能 Seldon Core的安装量超过200万，在整个组织中用于管理机器学习模型的大规模部署，其主要优势包括： 使用我们， 或来轻松ML模型的简便方法。 开箱即用的端点，可以通过 ， 。 与云无关，并在。 由强大而丰富的推理图。 元数据来源以确保每个模型都可以追溯到其各自的。 与集成的高级和可自定义指标。 通过模型输入输出请求（与Elasticsearch进行日

Stanford CS229 Python机器学习 该存储库包含问题集以及Stanford CS229-在Coursera上用Python 3编写的机器学习课程的解决方案。我还记了一些其他注释。 请查看和。 请注意，您的解决方案将不会获得评分，也不会以任何方式隶属于Coursera。 如果您的答案与我的不同，并且您认为自己的答案更好，请在创建一个问题。 安装 确保已安装jupyter笔记本。 您可以在找到说明。 使用以下Python软件包： 您可以使用以下命令安装所有依赖项： python3 -m pip install -r requirements.txt 使用说明 请从Coursera课程下载练习（pdf）。 笔记本电脑中包含一些说明。 在练习笔记本中完成练习。 将您的答案与解决方案笔记本中的代码进行比较。 内容 线性回归 逻辑回归与正则化 多类分类和神经网络 神经网络学习 正则化线性回归与偏差与方差 支持向量机 K-均值聚类和主成分分析 异常检测和推荐系统 版权声明 此仓库中的所有代码，练习，数据和其他文件均为:copyright:Stanford Universi

Python的DeepSuperLearner（2018） 这是机器学习的DeepSuperLearner算法（一种用于分类问题的深度集成方法）的实现。 有关DeepSuperLearner的详细信息，请参阅 Super Learner：有关分类问题的深度合集，作者是Steven Young，Tamer Abdou和Ayse Bener。 安装和演示 克隆此存储库 git clone https://github.com/levyben/DeepSuperLearner.git 安装python库 cd DeepSuperLearner python setup.py install 例子： ERT_learner = ExtremeRandomizedTrees ( n_estimators = 200 , max_depth = None , max_features =

Python Machine Learning 第二版 Sebastian Raschka著 高清带书签

语义KITTI的API 此存储库包含帮助程序脚本，用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。 链接到原始数据集 链接到。 链接到 SemanticKITTI 基准。 链接到 SemanticKITTI MOS 基准（在 SemanticKITTI 网站添加 MOS 后可能会删除）。 序列 13 中的 3D 点云示例： 序列 13 中的 2D 球面投影示例： 用于语义场景完成的体素化点云示例： 数据组织 数据按以下格式组织： /kitti/dataset/ └── sequences/ ├── 00/ │   ├── poses.txt │ ├── image_2/ │

Suvrit Sra, Sebastian Nowozin, and Stephen J. Wright, "Optimization for Machine Learning", The MIT Press Cambridge, Massachusetts London, England, 2012

梯度集中TensorFlow 这个Python套件在TensorFlow中实现了梯度集中，这是Yong等人建议的一种简单有效的针对深度神经网络的优化技术。 。 它既可以加速训练过程，又可以提高DNN的最终泛化性能。 安装 运行以下命令进行安装： pip install gradient-centralization-tf 用法 为指定的优化器创建集中式渐变函数。 参数： optimizer ：一个tf.keras.optimizers.Optimizer object 。 您正在使用的优化程序。 例子： >> > opt = tf . keras . optimizers . Adam ( learning_rate = 0.1 ) >> > optimizer . get_gradients = gctf . centralized_gradients_for_optimize