基于超声影像构建机器学习模型预测甲状腺良恶性结节.pdf

利用GS-LightGBM机器学习模型识别致密砂岩地层岩性.pdf

涵盖当前所有主流的深度学习模型及树模型，其中深度学习模型包括GAN、DBN等

Text-Classification-Pytorch描述此存储库包含PyTorch深度学习框架中各种文本分类模型（如RNN，LSTM，Attention，CNN等）的实现以及详细的文档。Text-Classification-Pytorch描述此存储库包含各种文本的实现PyTorch深度学习框架中的RNN，LSTM，Attention，CNN等分类模型以及每个模型的详细文档。 文本分类是自然语言处理的基本且最重要的任务之一。 在此存储库中，我专注于一个这样的文本分类任务，即情感分析。 到目前为止，我已经介绍了以下六个不同的m

hypermesh学习模型，现成模型进行学习分析，帮助你更好掌握

斯克莱恩评估 机器学习模型评估变得容易：绘图，表格，HTML报告，实验跟踪和Jupyter笔记本分析。 支持Python 3.6及更高版本。 安装 pip install sklearn-evaluation 产品特点 （混淆矩阵，特征重要性，精度调用，ROC） 报告生成（ ）

深度学习工具箱模型量化库可对您的深度学习模型进行量化和压缩。 它提供了仪器服务，使您能够在校准步骤中收集有关权重，激活和中间计算的层级数据。 使用仪器数据，库/附加组件可对模型进行量化，并提供度量标准以验证量化网络的准确性。 库/附加组件使迭代工作流能够优化量化方法，以满足所需的精度。 它提供了启发式选择正确的量化策略。 您可以验证量化网络，然后将精度与单个精度基准进行比较。 库/附加组件提供了一个“量化”应用程序，可让您分析和可视化仪器数据，以了解对选定图层的权重和偏差进行量化的准确性方面的权衡。 该库/附加组件支持针对支持的层的FPGA和NVIDIA GPU的INT8量化。 请在此处参考文档： https : //www.mathworks.com/help/deeplearning/ref/deepnetworkquantizer-app.html 该硬件支持包适用于R20

预测分子活性 使用QSAR机器学习模型预测有机分子与特定受体的分子结合活性。 诸如此类的虚拟筛选技术通过减少经过高通量筛选的潜在药物的数量来降低药物发现的成本。 该项目表明，机器学习模型可以从药物的分子定量结构-活性关系（QSAR）数据有效预测候选药物。 该代码在ipynb文件中提供，该文件需要一段时间才能运行。 还提供了以科学论文格式对该项目的深入描述。

强化模型算法，多Agent协作的强化学习模型和算法

检查分支以查看更多项目