BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

面膜检测-深层神经网络-三重解决方案 遮罩检测问题的三种解决方案，第一种以卷积神经网络的形式呈现，第二种以全连接神经网络的形式呈现，第三种以传递学习神经网络为基础。它们是通过Tensorflow Keras实现的。 背景 该报告介绍了遮罩检测问题及其解决方案。 它包含描述三种不同神经网络的三种配置：第一种是完全连接的网络。 第二个是基于转移学习的网络，第三个是卷积神经网络。 在此报告中，您将找到使用上述模型和其他信息（例如图形，代码行屏幕截图，损失与验证以及其他有助于理解我们的项目的ML概念）解决此问题的完整过程。 资料说明 用于训练模型的数据包含10,000张图像，其中一半显示一个戴着口罩的人，另一半显示未蒙面的人。我们使用的数据包含一个验证集，包含1,000张图片，500张蒙面和500张无遮盖的脸。 第三组用于测试模型，其中包含1,000张图片，500张蒙面和500张非蒙面。 你可以从

matlab代码左移神经机器翻译（seq2seq）教程 作者：Thang Luong，Eugene Brevdo，赵瑞（，） 此版本的教程要求。 要使用稳定的TensorFlow版本，请考虑其他分支，例如。 如果您使用此代码库进行研究，请引用。 介绍 序列到序列（seq2seq）模型（，）在各种任务（例如机器翻译，语音识别和文本摘要）中都取得了巨大的成功。 本教程为读者提供了对seq2seq模型的全面理解，并展示了如何从头开始构建具有竞争力的seq2seq模型。 我们专注于神经机器翻译（NMT）的任务，这是带有wild的seq2seq模型的第一个测试平台。 所包含的代码轻巧，高质量，可立即投入生产，并结合了最新的研究思路。 我们通过以下方式实现这一目标： 使用最新的解码器/注意包装器，TensorFlow 1.2数据迭代器 结合我们在构建递归模型和seq2seq模型方面的专业知识 提供有关构建最佳NMT模型和复制的提示和技巧。 我们认为，提供人们可以轻松复制的基准非常重要。 结果，我们提供了完整的实验结果，并在以下公开可用的数据集上对我们的模型进行了预训练： 小型：由ET提供的TED演

MATLAB考勤人数统计代码认知和神经科学的数学工具 该存储库是本课程提供给学生的实验室代码/笔记的集合，以及我为整个学期的作业而创建的代码。 描述 研究生讲座课程，涵盖解决数据分析和建模问题所需的数学和计算工具，将原始数据转换为可以利用这些工具的形式以及此类分析的解释。 关于每个主题的讲座将包括一些数学背景，基本结果的推导以及与神经科学有关的示例。 该课程将包括基于MATLAB软件包的每周问题集 格式： 该课程每周包括两个2小时的讲座，以及大约每隔一周的一次计算机实验室课程。 该课程包括一系列5-6项家庭作业，主要以计算机练习的形式进行，以在具体和现实问题的背景下检查讲座主题。 这些对于学习材料至关重要。 成绩主要基于家庭作业，但也考虑出勤和参与。 材料： 没有教科书。 补充阅读材料将在课堂上分发。 所有材料都可以从课程网站上获得： 话题： I.线性代数和最小二乘（4周） ： 向量空间，投影，矩阵，奇异值分解，最小二乘回归，主成分分析，总最小二乘回归，线性判别。 二。 线性系统理论（4周） ： 卷积和傅立叶变换（一维和多维），采样，混叠和奈奎斯特定理。 三， 概率与统计推断（5周）

个性化HRTF合成 基于神经网络，主成分分析和人体测量学的个性化HRTF的合成。 该存储库是作为巴西圣玛丽亚联邦大学声学工程学士学位论文项目的一部分开发的。 个性化HRTF应用 使用提出的模型，可用于生成具有SOFA或HeSuVi扩展名的个性化HRTF的MATLAB应用。 Auraliza应用程序 可以使用SOFA HRTF和n通道音频输入创建实时虚拟听觉场景的MATLAB应用。 主-（基于PCA） 包含预处理和后处理，回归模型和HRTF重建例程。 可能有必要为本地目录调整路径。 功能 与SOFA HRTF和主要例程使用的常规功能一起使用的工具箱。

深度视觉注意力预测 该存储库包含Keras实现的“深度视觉注意力预测”论文，该论文发表在IEEE Transactions on Image Processing

【插件简介】 Neural Enhancement Suite是一款基于人工智能AI，可以在AE中对视频进行降噪、视频上色、锐化、弱光亮度提升等操作 Neural Enhancement Suite is an A.I. powered toolset for AI-based video enhancement to achieve results not previously possible in After Effects.

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

This book introduces some applications of Computational Intelligence (CI) to problems of Earth System Science (ESS). In my opinion, the meeting of CI and ESSs is not a coincidence. There is an affinity between these two fields of science at a very deep level. Both of them use a systems approach; they see their object as a complex system of partly autonomous, evolving, and adaptive subsystems intensively interacting with each other and with their environment, which also changes due to the interaction between subsystems and due to changes of the subsystems. This deep affinity between the two fields makes the approaches and tools developed in CI well suited for solving many problems in ESSs; therefore, CI can provide adequate models for modeling subsystems of the Earth System.

近年来，随着深度学习的快速发展，脑启发式的人工智能光子神经网络引起了人们的新兴趣。光子神经网络在许多计算任务中有着广泛的应用，例如图像识别、语音处理、计算机视觉和机器翻译等。光子神经网络显著提高了神经网络的计算速度和能源效率，与数字电子相比提高了几个数量级。硅光子学结合了电子学和光子学的优势，为大规模光子神经网络集成实现带来了希望。本文介绍了人工神经网络的基本概念，回顾了硅光子神经网络中的一些重要最新进展，分析其原理及关键器件。希望通过本文综述，能够为研究者们提供光子神经网络的概述，加深对这个新兴领域的研究兴趣。