一个使用PyTorch的简单模板项目，可以修改以适应许多深度学习项目

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

21个项目玩转深度学习项目案例之何之源编著。基于TensorFlow的实践讲解。

该资源为本人博客中项目的代码及数据，主要是提供需要的人，让他们对博客内容有充分的理解

Machine-Learning-Geological-Mapping-Soil-Geochemistry:机器学习项目，可使用土壤样本地球化学来预测潜在的地质情况。 测试地形数据，采样方法，机器学习算法和多个分类器系统的优势

泰坦尼克号-从灾难中学习机器 R中的实际案例机器学习项目

机器学习：项目实战-文档扫描OCR识别.zip

机器学习项目实战：基于随机森林进行心脏病分类的数据集

深度学习项目

电车时间应用程序 该项目旨在逐步培训使用编程技术。 技术清单： 混帐 阿帕奇Maven 汤 该应用程序假设根据网站上指示的时间表输出有关有轨电车到达选定站点的时间的数据该项目将包括几个部分： 站点解析器 - 使用库来解析计划并生成一个数据文件，稍后将被移动应用程序使用。 移动应用程序 - 用于图形显示电车路线和输出到达时间的 Android 应用程序 第 1 阶段（学习使用 git） - 附加材料： 第 2 阶段（学习使用 Apache Maven）——附加材料： 第 3 阶段（学习使用 jsoup）——附加材料 任务 在存储库中创建个人分支（分支） 在分支中从命令行创建一个简单的 maven 项目（指定 artifactId 和 groupId 任意） 在创建的项目中，创建一个类，使用 jsoup，将解析 google 搜索结果页面并仅将找到的页面的标题显示到控制台（向