图像分类器-TensorFlow项目 在这个项目中，我们将首先为使用TensorFlow构建的图像分类器开发代码，然后将其转换为命令行应用程序。 我们将使用来自牛津大学的102个花卉类别的。 该项目的数据非常大-实际上，数据非常大，您无法将其上传到Github。 要求 该项目需要安装Python 3.x和以下Python库： 在终端中运行任何命令之前，请确保使用pip安装TensorFlow 2.0和TensorFlow Hub，如下所示： $ pip install -q -U "tensorflow-gpu==2.0.0b1" $ pip install -q -U tensorflow_hub 注意：为了完成此项目，您将需要使用GPU。 因为在您本地的CPU上运行可能无法正常工作。 您还应该仅在需要时启用GPU。 项目结构 该项目由两部分组成： 第1部分-使用深度学习开发图

切片机 3D Slicer扩展，允许从Jupyter笔记本电脑使用该应用程序 演示视频： : 用法 选项1.使用活页夹运行 您可以使用此选项快速入门。 无需安装或设置，只需单击下面的链接，然后在Web浏览器中通过Jupyter Notebook开始使用Slicer。 当您单击链接时，活页夹将在其云服务器上启动具有SlicerJupyter扩展名的3D Slicer。 活页夹是一项免费服务，服务器资源非常有限。 同样，没有交互式访问图形用户界面。 因此，仅建议将该选项用于测试，演示或简单的计算或可视化。 选项2.在您自己的计算机上运行 安装并启动它 在Extension Manager中安装

分析线性回归方程的的待定系数a和判定系数R2的分解步骤目录一、运行jupyter notebook，搭建python环境1、打开Windows终端命令行，输入==jupyter notebook==，打开我们的jupyter工具，如下所示：2、在jupyter的web网页中创建python文件，如下所示：3、现在就可以在jupyter的代码行里面输入我们的代码啦！二、本次内容所需要的表格数据1、本次所需要的数据主要如下三、实验原理四、编辑python代码，分步骤解析线性回归方程1、导入我们所需要的python库2、为自变量和因变量赋值3、求自变量温度的==和==及==平均值==4、求因变量销售

比赛项目 Rossmann销售预测（Top3％）：Rossmann在7个欧洲国家经营着3000药店。结果，罗斯曼门店经理的任务是提前6周预测他们的日收益，商店的销售受到许多因素的影响，包括促销，竞争，学校和国家假日，重置和地域性，由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异； NCAA 沃尔玛 能源预测③（排名前36％）：在本次竞赛中，基于ASHRA公司数据，在以下领域开发计量建筑能源使用的精确模型：冷水，电，热水和蒸汽表，数据来自超过1000栋建筑，历时三年，对这些节能投资的更好估计，大型投资者和金融机构将更加重视在这一领域投资，盔甲在提高建筑效率方面取

您的数据科学技术是否实际上可以跨越数百座建筑物？ 它实际上更快或更准确吗？ 这些是研究人员在开发数据驱动方法时应该提出的问题。 建筑性能预测，分类和聚类算法已成为异常检测，控制优化和需求响应分析的重要组成部分。 但是，我们如何实际比较每种技术与以前创建的方法呢？ 时序数据挖掘社区早在2003年就发现了这个问题：“许多工作的效用很小，因为做出了贡献……”提供了一些改进，而这些改进本可以使差异完全相形见have。是通过在许多现实世界的数据集上进行测试而观察到的，或者通过更改次要（未声明的）实施细节而观察到的差异。” （ ） 。 该数据集使您能够对各种实际数据集进行新技术测试。 对于商业建筑数据，我们正在做同样的事情！ 非住宅建筑数据分析对基准数据集的需求 现有的大多数建筑性能数据科学研究都依赖于每个研究人员创建自己的方法，查找案例研究数据集并自行确定功效。 毫不奇怪，大多数研究人员发现了积极但有意义的结果。 使用来自数百个（或数千个）建筑物的大型，一致的基准数据集，研究人员可以确定其方法在异构数据集中的实际性能如何。 如果多个研究人员使用相同的数据集，则可以在准确性，速度和易用性

自动Trimap生成器 关键字：Alpha合成Trimap 关键：Alpha合成，三分图 ーワード：アルファチャンネル，マスク画像 介绍 在图像遮罩中，trimap通过标记未知区域来估计背景的前景 从数学上讲，图像可以用以下等式表示： 在该等式中， I p表示整个图像， F p表示确定的前景，而B p表示确定的背景。 另一方面， 是一个alpha遮罩常数，其值在0到1之间。 值为0表示像素属于背景； 而一个 值1表示相反。 任何 中间的值表示必须确定的混合像素。 说明 从二进制（蒙版）图像输入生成三图（前景，背景和未知区域） 前景的像素值为255； 背景的像素值为0； 未知像素的像素值

Pytorch和Jupyter Notebook中的YoloV3 该存储库旨在在Pytorch和Jupyter Notebook中创建YoloV3检测器。 与其他现有的实现相比，我正在尝试采用一种“ oop”方法，后者通过在读取配置文件来迭代地构建体系结构。 该笔记本旨在用于学习和练习，许多想法和代码段摘自各种论文和博客。 我会尽量发表评论。 您应该只需按Shift键即可进入笔记本的末尾并查看结果。 要求 Python 3.6.4 火炬0.4.1 Jupyter笔记本电脑5.4.0 OpenCV 3.4.0 图片0.2.6 Pycocotools CUDA支持 使用说明 $ gi

神经网络：用Python语言从零开始实现的卷积神经网络，LSTM神经网络和神经网络

拓扑数据分析教程 KAJI静夫撰写 这本Jupyter笔记书是为以下在线活动准备的：2020年6月18日至19日举行的 。 主要例子 单击在Google Colaboratory中打开Jupyter笔记本。 这包括 使用持久同源性从各种类型的数据（点云，图形，图像，体积，时间序列）中提取特征 使用拓扑特征进行回归/分类 降维保留拓扑特征 可视化揭示数据的形状 深度学习X TDA 展示如何将深度学习和持久同源性相结合。 NLP示例（矢量化和可视化） 作为自然语言处理的一个例子，我们看一下arXiv上的数学论文。 本示例仅在本地运行，而不在Google Colab上运行。 我没有认真调整参数，但是我希望这个示例可以作为更严肃的NLP应用程序的起点。 如果您没有gensim和nltk，请安装它们 conda install gensim nltk pip install kma

卡尔曼滤波 使用python的卡尔曼滤波器的基本实现