Qmazon：Qt C ++图书推荐与评论系统GUI协同过滤推荐协同过滤，图书推荐系统，图书交叉数据集

海豹 ⠀ ⠀⠀ 半监督图分类的PyTorch实现：分层图透视（WWW 2019） 抽象的 节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。 图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。 在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图实例。 这导致了分层图的透视图，这种透视图出现在许多领域中，例如社交网络，生物网络和文档收集。 例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而许多用户组则通过交互或普通成员相互连接。 我们在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。 由于标签通常受限于实际数据，因此我们通过谨慎/主动迭代（或简称SEAL-C / AI）设计了两种新颖的半监督解决方案，称为半监督图分类。 SEAL-C / AI采用了一个迭代框架，该框

作者: Tom M. Mitchell 出版社: McGraw-Hill Science/Engineering/Math 出版年: 1997-3-1

SpaCy官方中文模型已经上线（ ），本项目『推动SpaCy中文模型开发』的任务已经完成，本项目将进入维护状态，后续更新将只进行bug修复，感谢各位用户长期的关注和支持。 SpaCy中文模型 为SpaCy提供的中文数据模型。模型目前还处于beta公开测试的状态。 在线演示 基于Jupyter notebook的在线演示在 。 特性 部分王小明在北京的清华大学读书这个Doc对象的属性信息： NER（新！ ） 部分王小明在北京的清华大学读书这个Doc对象的NER信息： 开始使用 SpaCy（版本> 2）的基础知识。 系统要求 Python 3（也许支持python2，但未通过良好测试） 安装 下载模型 从页面下载模型（ New！为中国地区的用户提供了加速下载的链接）。假设所下载的模型称为zh_core_web_sm-2.xxtar.gz 。 安装模型 pip install zh_core_web_sm-2.x.x.tar.gz 为了方便后续在Rasa NLU等框架中使用，需要再为这个模型建立一个链接，通过执行以下命令： spacy link zh_core_web_sm zh 运行完

tensorflow很好地入门材料，内容非常详细，相比国内的书籍，比较浅显易懂，而且很全面。

英文版和中文版的PRML电子书以及对应的matlab代码，清晰。希望可以帮到需要的人，当然我也是需要积分帮助的人哈哈哈，大家加油吧！

Xshinnosuke_cpp是xshinnosuke的cpp版本。 XShinnosuke_cpp：深度学习框架Xshinnosuke_cpp是xshinnosuke的cpp版本。 由于xshinnosuke_cpp选择Eigen作为矩阵后端，并且Eigen仅支持Array和Matrix，换句话说，Eigen中的数据小于3维，因此xshinnosuke_cpp仅支持二维数据的运算，例如Linear（Pytorch中的Linear（线性）或Dense）在Keras中），relu，Sigmoid，批处理规范化等。有关更多功能或图层的详细信息，例如Conv2D，max_pool2d，嵌入，lstm等

SIGGRAPH 2018论文随附的介绍代码：“ DeepMimic：基于实例的角色导向的深度强化学习（基于物理的角色技能）”。 该框架使用强化学习来训练模拟人形动物，以模仿SIGGRAPH 2018论文随附的变量介绍代码：“ DeepMimic：基于实例的角色技能指导深度强化学习”。 该框架使用强化学习来训练模拟人形生物，以模仿来自运动捕捉数据的各种运动技能。 项目页面：https://xbpeng.github.io/projects/DeepMimic/index.html依赖项sudo apt安装libgl1-mesa-dev libx11-dev libxrandr-dev libxi-dev sudo apt安装mesa-utils sudo apt安装clang sudo apt安装cmake C ++：

对象识别和机器学习的工具包，内涵大量相应的函数代码，以及demo，并附带使用说明

Fairlearn Fairlearn是一个Python软件包，可让人工智能（AI）系统开发人员评估其系统的公平性并减轻任何观察到的不公平问题。 Fairlearn包含缓解算法以及用于模型评估的Jupyter小部件。 除了源代码之外，该存储库还包含Jupyter笔记本，其中包含Fairlearn用法示例。 网站： ： 当前的版本 当前的稳定版本可从。 我们当前的版本与0.2或更早的版本有很大的不同。 这些旧版本的用户应访问我们的。 我们所说的公平 人工智能系统可能出于多种原因而表现不公平。 在Fairlearn中，我们定义了AI系统在对人的影响（即危害）方面是否表现出不公平的行为。 我们关注两种危害： 分配危害。 当AI系统扩展或保留机会，资源或信息时，可能会发生这些危害。 一些关键的应用程序是在招聘，入学和贷款方面。 服务质量危害。 服务质量是指即使没有扩展或保留任何机会，资源或信息，系统对于一个人的工作是否也与另一个人的工作是否一样好。 我们遵循被称为“群体公平”的方法，该方法问：哪些群体的个人有遭受伤害的风险？ 相关的组需要由数据科学家指定，并且是特定于应用程序的。