2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。 奥图纳 Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。它具有命令式，按运行定义样式的用户API。多亏了我们的运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 还有就是如何使用这个库指南。 Numba 是一种开源JI

模糊和清晰的图像分类 分类模糊和清晰的图像 介绍 在日常生活中，由于聚焦不佳，帧中物体的运动或在捕获图像时的握手运动，我们会遇到从相机单击的不良图像。 Blur is typically the thing which **suppress the high-frequency** of our Images, therefore can be detected by using various low-pass filter eg. Laplacian Filter. 作为一个聪明的人（我自己是CS人士），我们不想手动过滤掉清晰和模糊的图像，因此我们需要一些聪明的方法来删除不必要的图像。 LoG筛选器 我还应用了高斯（ ）滤波器的拉普拉斯算子来检测模糊图像，但是很难找到区分图像所需的阈值的确切值。 尽管结果并不令人着迷。 使用方差 一些讨论 LoG参考： 在Python中实现

高中位数 您是否知道没有数学方法将的概念扩展到更高维度的独特方法？ 高维中位数存在各种定义，并且此Python软件包提供了这些定义的许多快速实现。 中值因其高的击穿点（高达50％的污染）而非常有用，并且在机器学习，计算机视觉和高维统计中有许多不错的应用。 该软件包当前具有和实现，并支持使用NaN丢失数据。 安装 软件包的最新版本始终在可用，因此可以通过键入以下命令轻松安装： pip3 install hdmedians 类固醇 给定一个有限集 的 维观测向量 ，类 这些观察结果由 medoid的当前实现是在矢量化Python中实现的，可以处理支持的任何数据类型。 如果您希望算法处理编码为nan的缺失值，则可以使用nanmedoid函数。 例子 创建一个6 x 10的随机整数观测值数组。 >>> import numpy as np >>> X = np.random.randin

保险行业语料库 大家称为 看了下您的项目，我觉得这份数据可以用于保险领域的中文问答研究，对于某些问题的翻译很准确，长度扩展的答案翻译就有些不连贯的问题，大体上关键字信息和-华东师范大学 优秀作品！ - ，中国东部师范大学 绝对 基线模型 最小批量大小= 100，hidden_​​layers = [100，50]，lr = 0.0001。 纪元25，总步数36400，精度0.9031，成本1.056221。 滴水 Python3 + pip install -r Requirements.txt 跑 一个非常简单的网络作为基准模型。 python3 deep_qa_1/network

AI可解释性360（v0.2.1） AI Explainability 360工具箱是一个开放源代码库，支持数据集和机器学习模型的可解释性和可解释性。 AI Explainability 360 Python软件包包括一套全面的算法，这些算法涵盖了解释的不同维度以及代理的可解释性指标。 通过逐步介绍不同消费者角色的示例用例，对概念和功能进行了简要介绍。 提供了更深入的，面向数据科学家的介绍。 完整的API也可用。 没有一种最能解释问题的方法。 有很多解释方法：数据与模型，直接可解释与事后解释，本地与全局解释等，因此弄清楚哪种算法最适合给定用例可能会造成混淆。 为了帮助您，我们创建了一些和

机器学习工具箱 主程序可以对数据应用几种监督分类方法： Logistic回归（线性模型） 支持向量机 装袋 随机森林 神经网络 可以使用其他一些工具，例如Boosting，K均值，线性回归。 该程序使用不同的外部工具箱： Prtools套袋和随机森林 用于神经网络的DeepLearnToolbox-master 适用于SVM的libsvm-3.20 此外，一些代码来自Andrew Ng的Coursera MOOC：。

在复习《机器学习》时，个人总结的一点复习资料。后续如果还总结的话，也考虑传一下。

Jupyter模板 Jupyter笔记本的简单模板。 该扩展程序可以使用常规模板和通用模板设置任何新的Jupyter Notebook，以进行数据科学分析。 该模板包括常规部分，如数据导入，处理和参考，以及执行常见操作（如导入和配置图表库）的代码。 此外，每当您尝试保存一个名为“无标题”的笔记本时，它都会提示您输入有意义的名称。 觉得这个烦人吗？ 不用担心，您可以禁用此功能。 动机 Jupyter笔记本是很棒的工具：它们可实现快速原型设计并简化结果共享。 但是，由于它们的灵活性，它们容易被滥用。 为了帮助数据科学家保持笔记本电脑的清洁，合理灵活但常规的模板可能会有所帮助。 此外，模板还是一种生产力工具，可加快常用设置（例如库导入和配置）的速度。 快速开始 我们假设您的环境中已经安装了Jupyter笔记本电脑。 但是，即使不是这种情况，也不必担心：jupytemplate将Jup

sklearn-matlab：使用scikit-learn语法在Matlab中进行机器学习

forestError：随机森林预测误差估计的统一框架 1.0.0版更新 该软件包已更新，以反映偏差的常规征兆（平均预测减去平均响应）。 该软件包的早期版本返回负偏差（平均响应减去均值预测）。 因此，必须颠倒涉及此程序包输出的任何偏差的代数运算的符号，以保持其预期的效果。 概述 forestError软件包使用Lu和Hardin（2021）中引入的插件方法为随机森林预测估算条件均方预测误差，条件偏差，条件预测间隔和条件误差分布。 这些估计值取决于测试观测值的预测值，并考虑可能的响应异质性，随机森林预测偏差以及整个预测器空间中的随机森林预测变异性。 在当前状态下，此程序包中的main函数接受使用以下任何程序包构建的回归随机森林： randomForest ， randomForestSRC ， ranger ，和 quantregForest 。 安装 在R运行以下代码行将从CRAN