中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何： 建立一个可预测纽约市Airbnb价格的深度神经网络（使用scikit-learn和Keras） 建立一个REST API，根据模型预测价格（使用Flask和gunicorn） 在Google App Engine上将模型部署到生产环境 快速开始 要求： Python 3.7 Google Cloud Engine帐户 克隆此存储库： git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简

Coursera上的深度学习专业化（由deeplearning.ai提供） deeplearning.ai提供的Coursera所有课程的编程作业和测验。 授课老师： 笔记 有关Coursera深度学习专业中所有课程的详细面试准备笔记，请 设置 运行setup.sh以（i）下载经过预先​​训练的VGG-19数据集，并（ii）提取所有分配所需的经过z​​ip压缩的经过预先训练的模型和数据集。 学分 此仓库包含我针对该专业的工作。除非另有说明，否则代码库，测验问题和图表均取自的“ 。 编程作业 课程1：神经网络与深度学习 课程2：改善深度神经网络：超参数调整，正则化和优化 课程3：构建机器学习项目 此课程没有PA。但是本课程附带了非常有趣的案例研究测验（如下）。 课程4：卷积神经网络 课程5：序列模型 测验解决方案 课程1：神经网络与深度学习 第1周测验-深度学习简介： | 第2周测验-神经

深度学习模型转换器：针对不同深度学习框架软件的深度学习模型的转换器转换

通过超高分辨率实现无损图像压缩 ，， 。 引文 @article { cao2020lossless , title = { Lossless Image Compression through Super-Resolution } , author = { Cao, Sheng and Wu, Chao-Yuan and and Kr{\"a}henb{\"u}hl, Philipp } , year = { 2020 } , journal = { arXiv preprint arXiv:2004.02872 } , } 如果您使用我们的代码库，也请考虑 概述 这是SreC在的正式实现。 SReC将无损压缩称为超分辨率问题，并将神经网络应用于图像压缩。 SReC可以在实际运行时对大型数据集实现最新的压缩率。训练，压缩和解压缩得到完全支持，并且是开源的。 入门 我们建

时空分割 该存储库包含的随附代码 。 变更记录 2020-05-19自提交以来，最新的Minkowski引擎不需要明确的缓存清除，并且可以更有效地使用内存。 2020-05-04：正如Thomas Chaton在上指出的那样，我还发现训练脚本包含一些错误，这些错误使模型无法达到使用最新MinkowskiEngine的Model Zoo中描述的目标性能。 我正在调试错误，但是发现错误有些困难。 因此，我从另一个私有创建了另一个git repo ，该达到了目标性能。 请参阅以获得ScanNet培训。 一旦发现错误，我将更新此存储库，并将SpatioTemporalSegmentation-ScanNet与该存储库合并。 抱歉，添麻烦了。 要求 Ubuntu 14.04或更高版本 CUDA 10.1或更高版本 pytorch 1.3或更高版本 python 3.6或更高版本 GCC 6或更高 安装 您需要通过pip或anaconda安装pytorch和 。 点子 MinkowskiEngine通过分发，可以通过pip进行简单安装。 首先，按照安装pytorch。 接下来，安装openbl

语音性别 语音和语音分析中的性别识别 阅读完整的。 该项目训练一种计算机程序，根据语音和语音的声学特性，将语音识别为男性还是女性。 该模型在包含3168个记录的语音样本的数据集中进行了训练，这些样本是从男性和女性说话者那里收集的。 语音样本在R中通过声学分析进行预处理，然后通过人工智能/机器学习算法进行处理，以学习特定于性别的特征，从而将语音分为男性或女性。 最好的模型在训练集上达到100％的精度，在测试集上达到89％的精度。 更新：通过将分析的频率范围缩小到0hz-280hz（），可以将最佳精度提高到100％/ 99％。 数据集 将预处理的下载为CSV文件。 CSV文件包含以下字段： “ meanfreq”，“ sd”，“ median”，“ Q25”，“ Q75”，“ IQR”，“ skew”，“ kurt”，“ sp.ent”，“ sfm”，“ mode”，“ centro