Cov2019分析 对应译文视频我做的分析文件

GEOS-Chem

健壮性包 通过安装pip ： pip install robustness 阅读文档： : robustness是我们（在中的）创建的一个软件包，用于灵活，轻松地进行训练，评估和探索神经网络。 我们几乎在我们所有的项目中都使用了它（无论它们是否涉及对抗训练！），并且它将成为我们即将发布的许多代码版本中的依赖项。 使用该库的一些项目包括： （ ） （ ） （ ） （ ） 我们将在一组演练和我们的API参考中演示如何使用该库。 该库提供的功能包括： 使用针对各种数据集/体系结构训练和评估标准模型和健壮模型。 该库还提供添加和。 python -m robustness.main --dataset cifar --data /path/to/cifar \ --adv-train 0 --arch resnet18 --out-dir /logs/check

数据平滑 数据平滑方法的演示，尤其是Lowess和B-Spline

防恶意软件的对抗性机器学习 呈现在Secuinside 2017 @nababora 介绍实用指南，以开发用于反恶意软件的对抗性机器模型。 我还没有使用强化模型，只是概念验证。

（ ，（ ，（ ，，（ ， 去做 修改代码并添加缺少的功能 将数据格式更改为.json文件（EyeCar） 概述 受人类视觉注意力的启发，我们引入了最大熵深度逆强化学习（MEDIRL）框架，用于对即将发生的后端碰撞中驾驶员的视觉注意力分配进行建模。 MEDIRL由视觉，驾驶和注意模块组成。 给定人类的前视驾驶视频和相应的注视，视觉和驾驶模块分别提取通用的和特定于驾驶的视觉特征。 最后，注意力模块学习由专注驾驶员记录的眼睛注视策略引起的内在任务敏感奖励功能。 MEDIRL使用学习到的策略来预测驾驶员的视觉注意力分配。 我们还介绍了EyeCar，这是在容易发生事故的情况下新的驾驶员视觉注意数据集。 我们进行了全面的实验，结果表明，在以下大规模驾驶注意力基准数据集上，MEDIRL在驾驶任务相关的视觉注意力分配方面优于以前的最新方法：DR（eye）VE，BDD-A和DADA- 20

使用卫星和街道图像预测城市排放 描述 该项目通过使用卷积神经网络（CNN）来研究城市地区臭氧浓度水平与其物理特征之间的关系。 我们训练了两种模型，其中一种接受过卫星图像训练，以捕获更高层次的特征（例如位置的地理位置），另一种进行过街道图像训练，以学习基础特征（例如，机动车活动）。 然后将这些特征连接起来，形成一个共享的表示形式，据此可以预测该位置的臭氧水平（以十亿分之一为单位）。 代码结构 02_Scripts/目录包含用于刮擦和预处理臭氧浓度数据的代码，该数据来自 。 它还包含一个01_Data_Exploration目录，该目录包含用于可视化数据集元素（如特定数据点和具有臭氧读数的位置的地理分布）的代码。 在“图像”中，我们找到了脚本，用于从Google Earth Engine中检索卫星图像（ imagery/getting_imagery_no_mask.py ）和从Google

使用网络摄像头的Mask_RCNN 要求 Python>=3.4 numpy scipy Pillow cython matplotlib scikit-image tensorflow>=1.3.0 keras>=2.0.8 opencv-python h5py imgaug IPython[all] pycocotools 模型是经过训练的MS COCO数据集，并且使用了预先训练的权重（例如，使用网络摄像头对对象进行分割） 这是使用Mask-RCNN 进行对象实例分割的示例视频 在繁忙的印度道路上测试过的该模型的示例视频： : 使用Mask-RCNN测试的样本图像 可能的改进 该模型使用具有4GB内存的Nvidia 840M来实现，因此帧速率非常低。为了获得更好的帧速率，我们可以使用Nvidia Titan X或Nvidia 1080Ti。通过使用这些显卡，我们可以将当前场景的帧

信用卡欺诈识别 在此项目中，我们使用一些欧洲信用卡公司提供的数据。 该数据集表示在两天内发生的财务操作，在将近29万笔交易中，分类了492起欺诈行为。 为了进行预测，使用了两个机器学习模型（逻辑回归和决策树），以基于召回指标评估哪个具有最佳性能。 请联系我们，如果您有任何疑问。 我总是有空。 Linkedin： : 电子邮件： 我希望你喜欢！ 再见！

以下是斯坦福大学CS231n课程的代码和注释 有关作业的详细信息，可以在上找到。 我还没有完成作业。