scikit-multiflow是一个机器学习包，用于在Python scikit-multiflow传输数据。 和正在合并到一个名为的新项目中。 我们认为这两个项目具有相同的愿景。 我们认为，集中资源而不是重复工作将使双方受益。 我们也有信心，这将使两个社区受益。 将会有更多的人从事新项目，这将使我们能够更有效地分配工作。 因此，我们将能够使用更多功能并提高项目的整体质量。 这两个项目将停止积极发展。 这两个项目的代码都将继续公开提供，尽管开发仅侧重于过渡期间的小规模维护。 新软件包的体系结构与creme非常相似。 它将专注于单实例增量模型。 我们鼓励用户使用River代替奶油。 我

什么是DarkMark？ DarkMark是一个C ++ GUI工具，用于对神经网络中使用的图像进行注释。 它是专门为与神经网络框架一起使用而编写的，并具有为Darknet和YOLO量身定制的一些功能。 首次启动DarkMark时，可以指定Darknet样式的神经网络来加载所选项目。 DarkMark使用该神经网络来帮助您标记更多图像。 存在几种不同的查看功能，可以快速查看所有注释并突出显示一些常见错误。 准备就绪后，DarkMark也可用于生成所有Darknet和YOLO（或其他）配置文件，以训练新的神经网络。 这包括对.cfg文件以及.data，培训和验证.txt文件所需的修改。 DarkMark还将创建一些Shell脚本以开始培训并在计算机之间复制必要的文件。 执照 DarkMark是开源的，并使用GNU GPL v3许可证发布。 有关详细信息，请参见license.txt。

一个从开源项目 MLPrimitives 机器学习和数据科学的管道和原语。 文档： : Github： : 执照： 开发状态： 概述 此存储库包含 MLBlocks 库要使用的原始注释，以及必要的 Python 代码，以使其中一些与 MLBlocks API 要求完全兼容。 还有一组直接贡献给这个库的自定义原语，它们要么结合第三方工具，要么从头开始实现新功能。 我们为什么要创建这个库？ 在一个快速发展的领域中有太多的图书馆 构建机器学习应用程序的巨大社会需求 领域专业知识存在于多个地方（数学知识） 没有关于超参数、行为的文档化信息...... 安装 要求 MLPrimitives已在Python 3.6、3.7和3.8上进行开发和测试 此外，虽然不是严格要求，但强烈建议使用virtualenv以避免干扰运行MLPrimitives的系统中安装的其他软件。 使用

TensorFlow Machine Learning Cookbook2017最新版。有同学反应资源太多不知道从何看起，或者有点基础了想快速上手，TensorFlow Machine Learning Cookbook是一个比较好的教程，后内容作为参考。

coursera 上的吴恩达的机器学习课程，octave4.0.0版本提交作业时会提示提交失败，只要将每个作业文件下的lib文件替换成本资源提供的lib即可。

matlab系统聚类代码Ng（斯坦福大学-Coursera）的机器学习课程资料 该代码在Matlab中实现，每个文件夹的内容显示如下： 第二周：线性回归 第三周：逻辑回归 第四周：多类分类和神经网络 第五周：神经网络学习 第六周：正则线性回归和偏差与方差 第7周：支持向量机 第8周： K均值聚类和主成分分析 第9周：异常检测和推荐系统

[ACL 2020]对话式讲故事：地牢和龙的数据集的关键作用 总览 本文描述了《地牢与龙》的关键角色数据集（CRD3）及其相关分析。 关键角色（Critical Role）是一个无脚本的现场直播节目，固定人群在其中玩开放式角色扮演游戏《龙与地下城》。 该数据集是从159个关键角色情节中收集的，这些情节被转录为文本对话，包括398,682个回合。 它还包括从Fandom Wiki收集的相应抽象摘要。 该数据集在语言上是独一无二的，因为叙述完全是通过玩家的协作和口头互动来产生的。 对于每个对话，都有大量的转弯，详细程度各不相同的多个抽象摘要以及与先前对话的语义联系。 此外，我们提供了一种数据增强方

hpbandster-sklearn hpbandster-sklearn是一个Python库，为超参数调整库提供了包装器HpBandSterSearchCV 。 动机 HpBandSter实现了几种尖端的超参数算法，包括HyperBand和BOHB。 它们通常优于标准的随机搜索，可以在更短的时间内找到最佳的参数组合。 HpBandSter功能强大且可配置，但对于初学者来说，其用法通常是不直观的，并且需要大量的样板代码。 为了解决该问题，创建了HpBandSterSearchCV来替代scikit-learn超参数搜索器，它遵循了众所周知的流行API，从而可以以最小的设置调整scikit-

When most people hear “Machine Learning,” they picture a robot: a dependable butler or a deadly Terminator depending on who you ask. But Machine Learning is not just a futuristic fantasy, it’s already here. In fact, it has been around for decades in some specialized applications, such as Optical Character Recognition (OCR). But the first ML application that really became mainstream, improving the lives of hundreds of millions of people, took over the world back in the 1990s: it was the spam filter. Not exactly a self-aware Skynet, but it does technically qualify as Machine Learning (it has actually learned so well that you seldom need to flag an email as spam anymore). It was followed by hundreds of ML applications that now quietly power hundreds of products and features that you use regularly, from better recommendations to voice search. Where does Machine Learning start and where does it end? What exactly does it mean for a machine to learn something? If I download a copy of Wikipedia, has my computer really “learned” something? Is it suddenly smarter? In this chapter we will start by clarifying what Machine Learning is and why you may want to use it. Then, before we set out to explore the Machine Learning continent, we will take a look at the map and learn about the main regions and the most notable landmarks: supervised versus unsupervised learning, online versus batch learning, instance-based versus model-based learning. Then we will look at the workflow of a typical ML project, discuss the main challenges you may face, and cover how to evaluate and fine-tune a Machine Learning system. This chapter introduces a lot of fundamental concepts (and jargon) that every data scientist should know by heart. It will be a high-level overview (the only chapter without much code), all rather simple, but you should make sure everything is crystal-clear to you before continuing to the rest of the book. So grab a coffee and let’s get started!

主成分回归代码matlab及示例R中的机器学习 这是我在机器学习期间开发的R脚本的存储库。 一些代码已从其原始Matlab实现中进行了改编并转换为R。 分类 欧几里得（euclidean_classifier） Mahalanobis（mahalanobis_classifier） 感知器（perceptron_classifier） 在线感知器（online_perceptron_classifier） Sum-Squared错误（sse_classifier） 回归 绘制数据和（regression_plot） 绘制回归决策边界（regression_boundary） 通用回归包装函数（regression_optimize） 线性回归 线性回归成本函数和梯度（lr_cost） 线性回归梯度下降（lr_gradientdescent） 逻辑回归 Logistic回归成本函数和梯度（logr_cost） 逻辑回归优化器（logr_optimize） 预测（logr_predict） Softmax回归 Softmax回归成本函数和梯度（softmax_cost） Softmax回归