概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

持续学习 这是以下论文中描述的持续学习实验的PyTorch实现： 三种持续学习的方案（） 具有反馈连接的生成性重放是持续学习的通用策略（） 要求 当前版本的代码已经过测试： pytorch 1.1.0 torchvision 0.2.2 运行实验 可以使用main.py运行单个实验。 主要选项有： --experiment ：哪个任务协议？ （ splitMNIST | permMNIST ） --scenario ：根据哪种情况？ （ task | domain | class ） --tasks ：多少个任务？ 要运行特定方法，请使用以下命令： 上下文相关门（XdG）：

循环神经网络(Recurrent Neural Networks，RNNs)已经在众多自然语言处理(Natural Language Processing, NLP)中取得了巨大成功以及广泛应用。但是，目前网上与RNNs有关的学习资料很少，因此该系列便是介绍RNNs的原理以及如何实现。

使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py

牙齿检测仪 数据集目前是私有的，但是是由一位外科医生使用VoTT进行标记制作的。 导出是使用Tensorflow Pascal VOC格式进行的 该项目分为两个任务： 检测牙齿修复，牙髓治疗和植入物（模型/治疗） 检测牙齿并确定其ISO牙科标记（型号/索引） 安装 从Google云端硬盘下载数据集（目前数据集是私有的） 安装tensorflow对象检测： : 安装Cloud SDK以在Google Cloud 上运行 pip install -r requirements.txt # Tensorflow Object Detection API git clone git@github.com:tensorflow/models.git git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/Python

随着深度神经网络（DNN）在现实世界的应用中变得越来越普遍，有可能故意用不会欺骗人类的数据“愚弄”它们，这提供了一种新的攻击向量。这本实用的书籍探讨了现实世界的场景，其中DNN（大部分AI固有的算法）每天用于处理图像，音频和视频数据。 作者Katy Warr考虑了攻击动机，这种对抗性输入带来的风险，以及增强AI对这些攻击的稳健性的方法。如果您是开发DNN算法的数据科学家，一位对如何使AI系统更具弹性的攻击感兴趣的安全架构师，或者对人工和生物感知之间的差异着迷的人，本书适合您。 •深入研究DNN并发现它们如何被对抗性输入欺骗 •调查用于生成能够欺骗DNN的对抗性输入的方法 •探索真实场景并模拟对抗性威胁 •评估神经网络的稳健性;学习提高AI系统对抗对抗性数据的弹性的方法 •检查AI在未来几年内如何更好地模仿人类感知

GraphRec_PyTorch GraphRec模型的PyTorch实现（Fan，Wenqi等人，“用于社交推荐的图神经网络。”万维网会议，ACM，2019年）。 用法 从requirements.txt文件安装所需的软件包。 pip install -r requirements.txt 预处理数据集。 应在数据集的相应文件夹中生成两个名为数据集和列表的pkl文件。 python preprocess.py --dataset Ciao python preprocess.py --dataset Epinions 运行main.py文件来训练模型。 您可以通过命令行配置一些训练参数。 python main.py 运行main.py文件以测试模型。 python main.py --test

Snap＆Eat（原深139） 深度学习Hackathon 48h-Cotidiano（第一个项目= D ） 我们认为营养跟踪应该像拍照一样简单。 Snap＆Eat是一个Web应用程序，可通过图片跟踪用户的食物摄入量。 我们使用最先进的深度学习技术来识别菜肴，并根据用户的餐食进行即时营养估算。 该应用程序还根据用户的收入来建议用餐，并能够显示附近提供这些菜肴的地方。 该系统是使用在Pytorch中实现的，它依赖Jupyter Notebook进行原型制作。 对于Web应用程序，我们使用Flask和Node.js。 演示版 我们的模型 我们使用-ResNeXt-101，具有101层，在

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。