阿达·本 与论文工作相关的代码： “ AdaBnn：经过自适应结构学习训练的二值化神经网络” 该存储库当前包含两个协作笔记本： 带有实验性质的基于Keras实施AdaNet算法提出的由该文件实验“ ”在，对于学习神经网络结构为子网的集合。 此外，AdaBnn表示为对AdaNet的修改，它对运行时间施加了二进制约束，以尝试在时间方面提高性能，并且是一种基于“的正则化方式”。 “。 另外，包含的单独代码包含Adanet和AdaBnn实现及其文档。 一些发现 根据笔记本中提供的实验： 在自适应结构学习的情况下，对网络权重进行二值化具有类似的效果，即遗传算法中的突变率很高，在迭代之间很难遵循学习模式，在T迭代中不保持增量性能。 Adam优化在大多数情况下更适合于此类AdaBnn结构，并且迭代次数更少（本文中的T参数）。 目前，对AdaNet进行二值化处理并没有太大的改进，但它可能是为权重/激活添加约束作为自适应结构学习的正则化方法的起点。 进一步的工作 进一步的工作可能包括将二值化过程作为卷积子网的一部分，这是（M Courbariaux，2016）的最初建议。 例 导入依赖关

BIM全流程正向设计实践 《BIM全流程正向设计实践: 掌握参数的核心用法》是一本交互式教程。 购买链接： 学习前的准备 用参数的方法使用Revit的基础命令 控制视图 MVC模式 标高的参数控制 用参数的方法使用Revit的高级命令 学习目标 选中体量面生成墙体-修改墙的参量 建筑模型数据的修改-体现在平立剖透视中 图纸排版 墙体的多层参量 多-水平轮廓-loft 多-空间轮廓-loft 理解参数 学习目标 办公楼的体量 box数据-建筑房间 box数据-建筑空间 box数据-模型块商铺 box数据-楼房体量研究-修改参量 尺寸标注取得变量命名权-设定变量名-确定变量值 理解数据输出 学习目标 规划策划-各种计算值-输出方式-字节等 规划策划-数据标志 Revit使用的核心方法-拼装N个模块 学习目标 使用回形规划的高新科技园 住宅概念设计的box 混合使用概念设计的box 哈佛作业-集

2D平台游戏 基于但大多数使用C＃编写的“ Flow Machines” :) 设置 需要。 我学到的是 不幸的是，Bolt <> C＃集成并没有我希望的那么好，因此我认为我不会在真正的项目中采用这种方法。 问题： 繁琐地将Unity消息或事件转换并转发到Bolt的自定义事件，反之亦然。 幸运的是，，它只是一个（讨厌的），而Bolt支持调用C＃脚本方法，后者涵盖了后者。 除了... 每次添加要从Bolt调用的脚本方法时，都必须每次都要“构建单元选项” （据我所知）无法在脚本中访问状态机的当前状态（因此最终会在C＃中复制状态，这很容易出错）。 螺栓是“字符串型”的，这使得重构更加困难，并为错别字留下了空间。 Bolt的变量功能非常强大（并且），需要 ，PlayerPrefs，静态类等在代码中进行复制。 但是，由于上述原因，我仍然更喜欢自己在C＃中处理这些东西。 螺栓不能与WebG

An Attention-Based BiLSTM-CRF Model for Chinese Clinic Named Entity Recognition；基于注意力的 BiLSTM-CRF 模型 中国门诊病历文本命名实体识别

scikit-survival：基于scikit-learn的生存分析

pyLDAvis_Optimized_TopicModeling 使用Sk-learn建立LDA模型并使用pyLDAvis绘制主题间距离图 作者：丹麦Anis和Barsha Saha博士 联络方式： 该项目的目的是优化主题模型，以使用网格搜索方法实现最佳拟合。 主题建模是一种有效的无监督机器学习工具，可帮助分析文本数据集中的潜在主题。 但是，也有必要学习优化模型以获得最佳拟合模型，以实现更好的可解释主题，从而获得有意义的见解。 此外，作者还创建了主题的交互式可视化对象，以便对主题模型进行更直观的评估。 数据集信息 到自定义数据集。 结果 初始词云 从pyLDAvis创建的可视化 主题与代表词

Learn CUDA Programming A beginners guide to GPU programming and parallel computing with CUDA 10.x and CC++ by Jaegeun Han, Bharatkumar Sharma (z-lib.org).pdf

如何处理数据缺失值？INRIA研究员Gael 《机器学习缺失值处理》54页ppt教程，为你讲解一个关于机器学习的教程，以建立缺失值的预测模型。这教程涵盖了理论结果(统计学习)和实践建议，重点介绍了使用scikit-learn在Python中的实现

调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块（GridSearchCV，RandomizedSearchCV）的替代品，它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能： 与Scikit-Learn API的一致性：在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术：tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化，HyperBand，BOHB和其他优化技术。 框架支持：tune-sklearn主要用于调整Scikit-Learn模型，但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例，例如Skorch（Pytorch）[ ]，KerasClassifier（Keras）[ ]，和XGBoostClassifier（XGBoost）[]。 向上扩展：Tune-sklearn利用 （一个用于分布式超参数调整的库）在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和（针对master分支）。 安装 依存关

pytorch lstm+crf、bilstm+crf 、LSTM CRF 命名实体识别代码 代码和数据可以直接运行