使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch

qtrader 资产组合管理的强化学习 为什么要进行强化学习？ 学习最佳行动，而不是为市场建模。 由于其在线培训，因此可以适应市场的暂时变化。 优化长期（累积）回报，而不是瞬时收益。 设置 由于typing s，因此与Python 3兼容 苹果系统 source scripts/setup.sh 文献资料 ： qtrader简介 ：现有方法的动机，利弊 ：相关资源清单 ：硕士论文 ：15分钟的项目演讲

Google的deepmind团队发表在nature上有关alphago的论文，包含原有的英文版，我翻译的中文版，以及一个20分钟对alphago工作原理的讲述。

Supervised Sequence Labelling with Recurrent Neural Networks,Supervised Sequence Labelling with Recurrent Neural Networks,Supervised Sequence Labelling with Recurrent Neural Networks,

高效且可扩展的物理信息深度学习 搭配为主PINN求解器和PDE发现方法之上分布式计算多工人。 如果需要，请使用TensorDiffEq： 一个无网格的PINN求解器，可以分布在多个工作程序（GPU）上以解决正向问题（推理）和逆向问题（发现） 可扩展域-迭代求解器构造允许ND时空支持包括对不带时间元素的ND空间域的支持 正向和反向PINN的自适应配置方法 直观的用户界面，可对变量域，边界条件，初始条件和强格式PDE进行明确定义 是什么让TensorDiffEq与众不同？ 完全开源 求解可解决正向和反向问题，从而提高了解决方案的准确性和培训的稳定性，从而减少了总体培训时间 适用于大型或细粒度时空域的多GPU分布式训练 建立在Tensorflow 2.0之上，以增加对最新TF版本独有的新功能的支持，例如，有效图形构建的以及图形优化的*-源代码不可能再被淘汰Tensorflow版本发行 直

Neural Networks and Deep Learning 中文版 Michael Nielsen 著 完整书签 很好的入门神经网络和深度学习的书籍！

人脸识别[Wavelet and Neural Networks] V2：基于小波和神经网络的简单有效的人脸识别源代码。 该代码已通过AT＆T数据库进行测试，达到了97.90％的出色识别率（每个类别40个类别，5个训练图像和5个测试图像，因此总共随机选择了200个训练图像和200个测试图像，并且两者之间没有重叠训练和测试图像）。 查看更多：http://matlab-recognition-code.com/face-recognition-based-on-wavelet-and-neural-networks-matlab-code/

使用神经网络和其他分类器进行环境声音分类ESC 使用音频数据集进行音频特征提取和分类 包含ECS-10音频数据。 它包含10类不同的环境声音（海浪，孩子们玩耍等） 主要目标是比较6个经过测试的分类器的分类准确性。 依存关系 带有Python 2.7的Anaconda 2。 （尚未测试Python 3.6） Librosa（音频加载，音频可视化和特征提取） 科学工具学习 Keras（Theano后端） Numpy，Matplotlib 熊猫（数据可视化） Jupyter笔记本 添加了Jupyter Notebook（Python 2.7内核）以说明工作流程。 用于特征提取和分类的脚本已作为.py文件添加，并随后全部加载到Jupyter Notebook中。 运行feature_extraction.py label.npy创建一个numpy数组（ feature.npy ），

CNNIQAplusplus 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE --model=CNNIQAplusplus 训练前， im_dir在config.yaml被指定必须的。 可视化 tensorboard --logdir=tensorboard_logs --port=6006 # in the server (host:port) ssh -p port -L 6006:localhost:6006 user@host # in your PC. See the visualization in your PC 要求 conda create -n reproducib

辍学学生的预测 该项目的目标是确定有辍学风险的学生 介绍 从一组包含有关1000名学生的前两个学期的信息的文件中，必须将它们集成到一个文件中以进行后续分析，最后的文件必须分为三组： 100名学生进行测试 200名学生评估模型 700名学生训练模型。 学生没有被标记，因此需要对数据进行描述性分析，一旦标记了学生，就必须使用kmeans才能基于聚类分析来标记数据。 必须使用人工神经网络来训练模型，以预测哪些学生会辍学。 建立模型后，必须使用100名学生的测试数据集来了解其中哪些人会辍学，因此它将使用一种遗传算法来优化大学的资源，以便为学生提供机会，从而避免辍学。 方法 发展 变量选择和特征工程 性别：男性或女性（0或1） admision.letras ：十进制数字，代表学生在高中入学考试中的成绩。 admision.numeros ：小数，表示学生在高中入学考试中的成绩。 prom