基于均匀设计和NN-GA的CAD模型多目标直接优化方法.pdf

利用欧几里得距离和样本投票实现的KNN分类器，输入包括训练数据、测试数据、K距离，输出是测试数据的分类结果。

原版高清PDF，详细的讲述了state flow的使用方法和建模技巧，不错的书

心脏病发作预测 使用Logistic回归，K最近邻，支持向量机和内核支持向量机算法（无需探索性数据分析）通过机器学习进行简单的心脏病发作预测。

Feedforward Backpropagation Neural Networks（BP神经网络的Matlab程序），可通过运行test_example_NN.m实现对手写数字的训练学习

实现三类螺旋分布的三类点的区分，分布采用线性分类的方法和softmax分类器分类器的使用，简单神经网络的流程。python3.6

播放列表推荐者-预测音频文件的流派和风格 帮助音乐网站准确预测流派和情绪的辅助模型。 如今，一切都与个性化有关，这增加了使用音乐信息检索（MIR）中的深度学习领域进行的研究和完成的工作数量。 音乐的价位和流派在音乐推荐系统中起着重要的作用。 该项目旨在通过使用-CNN，RCNN，CNN-LSTM和CNN-GRU等模型来帮助音乐网站准确识别音频文件的类型和价。 数据与功能 通过从免费音乐档案（FMA）中提取30秒的音乐音频来创建数据集。 它包括“摇滚”，“流行”，“民间”，“乐器”和“电子”五种音乐流派。 使用librosa库提取每个音频剪辑的特征，例如梅尔频谱图和梅尔频率倒谱系数（MFCC）作为输入。 功能选择：使用梅尔频谱图和MFCC，因为频段在梅尔刻度上等距分布，这近似于人类听觉系统的响应 出于Keunwoo Choi的工作，我使用Yu等人Choi等人建立了基本模型 型号规格 训练了

基于libtorch实现手写数字mnist识别，包括NN和CNN两种网络结果。具体用法就是配置好libtorch，运行即可！

典型相关分析matlab实现代码DCCA：深度规范相关分析 这是Python中的深度规范关联分析（DCCA或Deep CCA）的实现。 它需要安装Theano和Keras库。 DCCA是CCA的非线性版本，它使用神经网络代替线性变换器作为映射函数。 DCCA最初是在以下论文中提出的： Galen Andrew，Raman Arora，Jeff Bilmes，Karen Livescu，“”，ICML，2013年。 它使用带有Theano后端的Keras库，在Tensorflow后端上不起作用。 因为网络的丢失功能是由Theano编写的。 基本的建模网络可以轻松地被更高效，更强大的网络（如CNN）取代。 大多数配置和参数是根据以下文件设置的： Wang Weiran，Raman Arora，Karen Livescu和Jeff Bilmes。 “”，ICML，2015年。 数据集 该模型是在MNIST数据集的嘈杂版本上评估的。 我完全按照本文介绍的方式构建了数据集。 训练/验证/测试段是MNIST的原始段。 数据集很大，无法在GitHub上上传。 因此它被上传到另一台服务器上。 第一次执

JPG、PNG与MNIST数据集之间的转换