logistic_regression：使用Python和Numpy从头开始进行Logistic回归

Serpent.AI-游戏代理框架（Python） 更新：复兴（2020年5月） 该框架的开发工作已经恢复，旨在将其引入2020年：Python 3.8+，更少的依赖项，易用性（安装程序，GUI）等等！ 仍然是开放源代码并具有许可许可，并正在研究面向非技术用户的Steam发行版。 :snake: 警告：使用寿命终止（2018年11月） Serpent.AI是一个简单而强大的新颖框架，可帮助开发人员创建游戏代理。 使用熟悉的Python代码，将您拥有的任何视频游戏转变为可进行试验的成熟沙盒环境。 该框架的存在理由首先是为机器学习和AI研究提供有价值的工具。 事实证明，用作业余爱好者也很有趣（并

Python深入机器学习的见解 Python深入了解机器学习的代码存储库 代码测试规范 所需软件（含版本）：Python（Python v3.5）下载链接： : 所需操作系统：独立于OS的Mac / Windows / Unix 详细的安装步骤（软件方式）应该以一种使系统环境能够测试本书代码的方式列出这些步骤。 请参阅以下链接以获取安装说明：• : l ##相关的Python书籍：

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『机器学习』主题（其他部分的下载链接见评论区），包含以下部分： - Loss Functions & Metrics （损失函数 & 矩阵） - Experimental Designs and Paradigms （实验设计与范式） - Statistical Data Processing （统计数据处理） - Misc. Classical ML Models （经典的ML模型）

Packt.Python.Machine.Learning.Cookbook.2nd.Edition.2019

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：数值算法从『可计算的量』中近似地计算出『难以处理的量』，或者说，从数据中推断出一个潜在的量。因此计算程序可被视作 learning machine，使用贝叶斯推理来建立更灵活有效的计算算法。概率数值计算正式确立了『机器学习』和『应用数学』之间的联系。本书提供了大量的背景材料（还有数据、工作实例、练习及解答），更适用于AI、CS、统计学、应用数学的研究生。 ◉ 目录： 第一章：数学背景 第二章：整合 第三章：线性代数 第四章：局部优化 第五章：全局优化 第六章：求解常微分方程 第七章：前沿 第八章：习题答案

张量 使用TensorFlow轻松进行图像分类 （） 要求： Mac或Linux机器 Python 3.5、3.6或3.7 您可以使用TensorPy对图像进行分类，只需在命令行中传递一个URL，或在Python程序中使用TensorPy。 完成所有实际工作。 TensorPy还通过将多个设置步骤自动化到一个脚本中来简化TensorFlow的安装（有关详细信息，请参见 ）。 （请阅读 ，以详细了解TensorPy的工作原理。） Mac和Ubuntu / Linux的设置步骤 （ Windows和Docker用户：有关在Docker计算机上运行的信息，请参阅。Windows需要Docker运行TensorFlow。） 步骤1：创建并激活一个名为“ tensorpy”的虚拟环境 如果不确定如何创建虚拟环境，请进行。 步骤2：从GitHub克隆TensorPy存储库 git clone

信用风险建模：使用Python和ML进行信用风险分析

全景OpenCV 从stitch_final.py的文档中 用法：pythonitch_final.py -dest <目标文件名.jpg> 用法： （例子） ： 请将存储库克隆到工作文件夹。 执行以下命令 pythonitch_final.py images / destination.jpg 它将询问是否要修剪或旋转，请按照给定的指示进行操作。 图像将显示并保存到给定的目的地。 [理论等稍后添加]-维护中的回购...！ 上班的人，是吗？ :)

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于