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：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术

PointNet2用于3D点云的语义分割 马蒂厄·奥罕（Mathieu Orhan）和纪尧姆·迪基瑟（Guillaume Dekeyser）着（巴黎桥和歌剧院，2018年，巴黎）。 介绍 这个项目是PointNet2的学生分支，由斯坦福大学的Charles R. Qi，Li（Eric）Yi，Hao Su，Leonidas J. Guibas提供。 有关详细信息，您可以参考原始的PointNet2论文和代码（ ）。 该分支专注于语义分割，目的是比较三个数据集：Scannet，Semantic-8和Bertrand Le Sa​​ux空中LIDAR数据集。 为此，我们清理，记录，重构和改进原始项目。 稍后，我们将把相同的数据集与另一个最新的语义分割项目SnapNet进行比较。 相关性和数据 我们使用3 GTX Titan Black和GTX Titan X在Ubuntu 16.04上工作。

用Python QuantStats编写的量化工具的投资组合分析：量化工具的投资组合分析QuantStats Python库执行投资组合分析，通过向量化分析人员和投资组合管理人员提供深入的分析和风险度量，可以更好地了解其绩效。 Changelog»QuantStats包含3个主要模块：quantstats.stats-用于计算各种性能指标，例如夏普比率，获胜率，波动率等。quantstats.plots-用于可视化性能，缩编，滚动统计，每月报告

论文Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems源码。 这是Python版本的源码。 适合人群：人工智能、通信类研究人员。

人体姿态检测总结，Deep Learning-Based Human Pose Estimation: A Survey

OpenNMT-py：开源神经机器翻译这是OpenNMT（一种开源（MIT）神经机器翻译系统）的Pytorch端口。 它的设计宗旨是便于研究，以便尝试翻译，摘要，OpenNMT-py中的新思想：开源神经机器翻译这是开源（MIT）神经机器翻译系统OpenNMT的PyTorch端口。 它旨在便于研究，以尝试在翻译，摘要，图像到文本，形态学和许多其他领域中的新思想。 一些公司已经证明该代码已可以投入生产。 我们热爱贡献。 请在“问题”页面上查阅“ Contributions Welcome”标记的帖子。 提出问题之前，请确保您已阅读要求a

ASReview：积极学习系统评价 系统评价是研究中的“头等大事”。 在许多学术领域，科学研究的数量呈指数增长。 进行合理的系统检查是一项耗时且有时无聊的任务。 我们的软件旨在加快筛选摘要和标题的步骤，使几乎没有假阴性的人阅读的论文最少。 系统评价的主动学习（ASReview）项目实现了以交互方式查询研究者的机器学习算法。 这种交互式机器学习的方式称为。 ASReview提供对经典学习算法和最新学习算法（例如神经网络）的支持。 ASReview软件实现两种不同的模式： ASReview实验室 :crystal_ball: 这种方式可用于与审阅者互动进行系统的审阅（主动学习文献中的“预言”）。 该软件将论文提交给审稿人，然后审稿人对其进行分类。 请参阅 。 模拟 :chart_increasing: 模拟方式用于根据完全标记的系统评价的结果来衡量主动学习软件的性能。 要使用仿真模式，强烈要求您具备编程和bash /命令提示方面的知识。 安装 ASReview软件需要Python 3.6+。 和用户可以使用安装Python和ASReview的详细分步说明。 该项目在上。 使用安装项

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

中国科学院计算技术研究所的刘昊淼老师的课件，里面详细讲述了哈希算法

Algorithm-Deep-Learning-Algorithms-Implementation.zip,（深度学习 机器学习）算法的实现,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。