瑜伽主管 该程序可以监督用户正在执行的瑜伽，并通过使用tf_pose姿势估计和使用dynamic time wrapping来进行姿势比较来检查其是否正确完成。

OpenIBL 介绍 OpenIBL是基于PyTorch的开源代码库，用于基于图像的本地化（换句话说，就是位置识别）。 它支持多种最新方法，还涵盖了ECCV-2020聚光灯SFRS的正式实施。 我们支持由slurm或pytorch启动的单/多节点多GPU分布式培训和测试。 正式执行： ：用于大规模图像定位的自监督细粒度区域相似性（ECCV'20 Spotlight ） 非官方实施： NetVLAD：用于弱监督位置识别的CNN架构（CVPR'16） SARE：用于大规模图像定位的随机吸引-排斥嵌入（ICCV'19） 常问问题 如何提取单个图像的描述符？ 请参阅。 如何在论文中

琥珀酰化是蛋白质翻译后修饰（PTM）的一种广泛类型，在调节蛋白质构象，功能和理化性质方面起着重要作用。 与劳动密集和费时的实验方法相比，琥珀酰化位点的计算预测由于其方便快捷的速度而非常可取。 当前，已经开发了许多计算模型以通过各种类型的两类机器学习算法来识别PTM站点。 这些方法需要正样本和负样本进行训练。 但是，很难指定PTM的负样本，如果不能正确完成，会极大地影响计算模型的性能。 因此，在这项工作中，我们将正样本仅学习（PSoL）算法首次应用于琥珀酰化位点预测问题，这是一类特殊的半监督机器学习，它使用正样本和未标记样本来训练模型。 同时，我们通过使用多种特征编码方案，提出了一种新颖的琥珀酰位点计算预测子，称为SucPred（琥珀酰位点预测子）。 通过使用SucPred预测变量，在训练数据集上进行5倍交叉验证并在独立测试数据集上进行了5倍交叉验证，其准确性为88.65％，这表明此处介绍的仅用于学习算法的阳性样本特别有用用于鉴定蛋白质琥珀酰化位点。 此外，仅用于正样本的学习算法可以轻松地为其他类型的PTM网站建立预测器。 开发了用于预测琥珀酰化位点的Web服务器，该服务器可从http:

RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series

hmm_market_behavior hmm_market_behavior.ipynb-主要研究文件。 hmm_market_behavior_following_btcusd_catalyst.py-使用Catalyst框架的交易策略示例。 quandl_BITFINEX_BTCUSD_final_model.pkl-训练模型。 您可以在本文中阅读更多内容

非监督分类：也称为聚类分析或点群分类 在多光谱图像中搜寻 定义其自 然相似光谱集群的过程 它不必对影像地物获取先验知识 仅依靠影像上不同类 地物光谱 或纹理 信息进行特征提取 再统计特征的差别来达到分类的目的 最 后对已分出的各个类别的实际属性进行确认 ">非监督分类：也称为聚类分析或点群分类 在多光谱图像中搜寻 定义其自 然相似光谱集群的过程 它不必对影像地物获取先验知识 仅依靠影像上不同类 地物光谱 或纹理 信息进行特征提取 再统计特征的差别来达到分类 [更多]

matlab的egde源代码Wave_clus 3 Wave_clus是一种快速且不受监督的峰值检测和排序算法，可在Windows，Mac或Linux操作系统下运行。 要安装，请将此存储库下载到文件夹中。 在MATLAB（R2009b或更高版本）中，转到“设置路径”，然后将目录wave_clus及其子文件夹添加到MATLAB路径。 如何使用 有两种使用Wave_clus的方法： 要打开GUI， wave_clus在MATLAB命令提示符下键入wave_clus 。 要使用批处理功能，请键入Get_spikes('filename.ext') ，其中.ext是文件扩展名（例如.mat ），用于峰值检测； 这会将文件filename_spikes.mat保存在当前目录中。 随后，运行Do_clustering('filename_spikes.mat')进行排序。 您可以一次处理多个文件，也可以处理多个文件的特定通道。 Wave_clus可以读取原始数据或通过电生理数据采集系统（Blackrock，Neuralynx，Plexon，TDT，Intan等）生成的或已检测到的峰值，或保存为ma

优化半监督学习 该matlab代码提供了已开发和分发的原始版本的计算优化版本。 提供了一个matlab代码来近似拉普拉斯特征向量。 他计算了Laplace Beltrami算子的本征函数，然后对其进行插值以计算laplacian本征向量。 该matlab代码提供了用于计算近似拉普拉斯特征向量的优化过程。 下图显示了使用三种不同过程计算拉普拉斯平滑度的时间分析。 使用精确的拉普拉斯特征向量（EigVector） 使用Laplace Beltrami算子本征函数（Eigfunctions-Fergus） 对Laplace Beltrami算子本征函数使用优化方法（Eigfunctions-Taha） ＃＃动机 我们将交互式图像分割问题转换为半监督学习问题。 我们使用了 matlab代码来测试我们想法的有效性。 尽管结果令人鼓舞，但为小图像计算拉普拉斯平滑度所需的时间太大。 因此，我们优

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。

包含4个文档：机器人学习简介、机器学习快速入门、应用无监督学习、应用监督式学习