操场 Playground是一个简化的应用程序，可让您修改浏览器中的机器学习模型。 这个程序的灵感来自于伟大的Tensorflow。 唯一的区别是它解决了经典的机器学习模型 演示版 就 它是如何工作的 ？ :card_index_dividers: 您可以从预定义列表中选择并配置数据集。 您可以设置： 样品数 火车上的噪音和测试数据 :gear: 您选择一个模型，并为其设置超参数。 您可以从以下模型中选择模型：逻辑回归，决策树，随机森林，梯度提升，神经网络，朴素贝叶斯，KNN和SVM :chart_decreasing: 该应用程序会自动显示以下结果： 模型在火车和测试数据上的决策边界 训练和测试数据的性能指标（准确性和F1分数） 模型训练所需的时间 生成的python脚本，用于基于数据集定义和模型超参数来重现模型 对于每种模型，游乐场都提供了指向官方文档的链接以及提示列表。 加分点：该应用程序还提供通过添加多项式特征来执行特征工程的功能。 事实证明，

这是我参加百度 “ 人群密度检测 ” 比赛训练的模型，可利用百度Paddle平台导入该模型对图片或视频流信号进行人流密度检测。

- 基于螺旋桨尺寸和转速计算推力的回归问题的深度学习模型。 数据来自 APC 螺旋桨网站，因此这只适用于 APC 螺旋桨。 - 也可作为在 APC 螺旋桨性能数据集中进行搜索的工具。 数据是从APC官方螺旋桨下载的链接： https : //www.apcprop.com/technical-information/file-downloads/

HoloLens-2-机器学习 使用在ImageNet 1000类数据集中训练的EfficientNetB0模型进行图像分类。 使用其板载CPU在HoloLens 2上直接运行模型推断。 关于 已在Unity 2019.4 LTS，Visual Studio 2019和HoloLens 2中进行测试 Rene Schulte的示例构建 输入大小为(224, 224)视频帧以进行在线推断 EfficientNetB0框架的预先训练过的TensorFlow-Keras实现被直接转换为ONNX格式以供本示例使用 运行样本 在Unity中打开示例 将构建平台切换到Universal Windows Platform ，选择HoloLens作为目标设备，并选择ARM64作为目标平台 生成Visual Studio项目并打开.sln文件 将onnx-models\model.onnx文件复制到Buil

时间序列分析 非常有趣的时间序列机器学习模型 这主要集中在使用表格数据集的时间序列分析上。 探索性数据分析（EDA）包含： 每日，每月和每年的销售额 使用Qunatile方法查找数据的异常值 平稳计算，自相关函数（ACF）和偏相关函数（PACF） 我用于时间序列分析的模型 ARIMA，SARIMAX 线性回归 随机森林回归 决策树回归器 梯度提升回归器 Ada Boost回归器 XG加速 K邻居回归器 支持向量回归 LSTM

2019ai开发者大会，旷视研究院张祥雨博士关于如何进行轻量级神经网络模型设计所做的精彩分享，以手机人脸解锁为例，详细介绍了轻量级架构、模型搜索、模型裁剪方面的技术

EDA和ML项目 存储库包含各种项目，这些项目都使用R语言编写了以下代码： 探索性数据分析 机器学习模型（线性回归，逻辑回归，k均值聚类，分层聚类，SVM，决策树，随机森林，时间序列分析，XGBoost） 以下是一些常用的程序包/库的列表，这些程序包/库被用作数据分析和构建机器学习模型的一部分 数据处理： dplyr，plyr，tidyr，stringer，data.table，lubridate（用于日期处理）， 数据可视化： ggplot2，cowplot，ggthemes，比例 ML模型： randomForest，caret（用于数据拆分，交叉验证，预处理，特征选择，变量重要性估计等） 推荐模型： re荐 文本挖掘： tm，tidyverse

深度学习模型结构可视化神器——Netron(支持tf, caffe, keras,mxnet等多种框架).

OptiML OptiML是支持向量机和深度神经网络的sklearn兼容实现，根据最新技术，它们都有一些最成功的功能。 这项工作的动机是，有可能通过广泛的优化算法研究对象解决这些模型的数学公式所产生的优化问题，并为“数值方法和优化”课程开发@@在教授的监督下。 内容 数值优化 无约束优化 线搜索方法 零阶方法 次梯度 一阶方法 最陡的梯度下降 共轭梯度 弗莱彻-里夫斯公式 Polak–Ribière公式 Hestenes-Stiefel公式 代formula公式 重球渐变 二阶方法 牛顿 拟牛顿 高炉 随机方法 随机梯度下降 势头 标准 涅斯捷罗夫 亚当 势头 标准 涅斯捷罗夫 毕业证书 势头 标准 涅斯捷罗夫 阿达克斯 势头 标准 涅斯捷罗夫 阿达格拉德 阿达达 RProp RMSProp 具有接口的近端捆绑包，用于 ，

本文来自于juejin.im，文章带我们了解到了深度学习中多任务学习的基本原理。带你对这个有个新的认识。当你在思考新事物的时候，他们通常会利用他们以前的经验和获得的知识来加速现在的学习过程。当我们学习一门新语言的时候，尤其是相关的语言时，我们通常会使用我们一级学过的语言知识来加快这一门新语言的学习过程。这个过程也可以用另一种方式来理解——学习一种新的语言可以帮助你更好的理解和说出自己的想法。我们的大脑会同时学习多种不同的任务，无论我们是想将英文翻译成中文，还是想将中文翻译成德语，我们都是使用相同的大脑架构，也就是我们自己的脑袋。同理在我们的机器学习模型中，如果我们采用的是同一个网络来同时完成这