yasa_classifiers 该存储库包含用于生成YASA睡眠阶段模块的预训练分类器的笔记本： : 可以在sleepdata.org上找到数据集。 您需要请求数据访问权限才能下载数据集。 具体而言，使用以下数据集对睡眠分期分类器进行训练：CCSHS，CFS，CHAT，HomePAP，MESA，MrOS，SHHS。 脚步 01_features_nsrr_\*.ipynb ：从原始PSG文件计算特征。 确保更新路径！ 02_create_classifiers.ipynb ：训练并导出睡眠阶段分类器。

The Quest for Machine Learning的pdf版本，保证高清，便宜，能下载，不会只有一个正版链接

TensorRT集成支持pytorch onnx插件（DCN，HSwish ...等）。更简单的推理和插件API重新实现CenterNet：ctdet_coco_dla_2x CenterTrack：coco_tracking coco TensorRT集成支持pytorch onnx插件（DCN，HSwish ...等）。推理和插件API重新实现CenterNet：ctdet_coco_dla_2x CenterTrack：coco_tracking coco_tracking.onnx下载nuScenes_3Dtracking.onnx下载DBFace使用TensorRT-Integrate install protobuf == 3.11.4（或> = 3.8.x，但这很麻烦） .sh make run -j32推理代码自动引擎= TRTInfer :: loadEngine（“ models / efficiency-b0.fp32.trtmodel”）; 漂浮

本文以深度强化学习为基础，设计出一种适用于求解大规模车辆路径问题的模型架 构。采用了预训练模型+基于相对位置的 Transformer网络+A2C强化学习训练框架，为 后续研究大规模车辆路径问题的扩展问题和大规模组合优化问题提供了新的深度强化 学习算法框架。本文中的深度强化学习算法解决了以下问题： （1） 不同规模算例可以共享并继承其他规模训练完的模型，在这种共享模型的机制下， 避免了算例规模相近的模型的重复训练。 （2） 预训练模型能够继承其他规模训练出的模型经验，相对位置节点提高了在大规模 车辆路径问题中特征抓取的精确性，A2C强化学习训练框架环节采用无监督学习， 在无标签训练集中训练中规避经验回溯问题，这三方面针对大规模车辆路径问题 做出的调整，提高了训练效率和收敛效果。 （3） 通过预训练机制解决了大规模车辆路径问题内存溢出的情况，解决了目前已有算 法在大规模算例训练时，内存溢出训练中断等问题。 （4） 与经典的启发式算法和元启发式算法进行比较，在同等求解速度的算法中，本文 算法的求解质量方面全面超越这些算法。并且在当前已有的深度强化学习解决方 案中，本文设计的算法和效

本集合包含下列组件: Visual Basic Virtual Machine(5.1) Visual Basic Virtual Machine(6.0) Microsoft C Runtime Library(7.0) rncert Visual Studio Microsoft C Runtime Library(7.10) Microsoft Visual C++2005 SP1(8061187) Microsoft Visul C++2008 SP1(90307297523 Microsoft Visual C++2010 SP110040219.473 Microsoft Microsoft Visual C++2012 4(110611351 Microsoft Visual C++2013 (12040664) Microsoft Visual C++2017(1420.27404) Visual Studio 2010 Tools For Office Runtime Microsoft Universal C Runtime (10.0.10586.9

用于sklearn和TensorFlow的学习，暂时没有中文版，内容详细，代码可用

伊维斯 ivis算法的实现，如论文中描述。 Ivis被设计为使用在三胞胎上训练的暹罗神经网络来减少非常大的数据集的维数。 支持无监督和受监督模式。 安装 Ivis在TensorFlow之上运行。 要从运行在CPU TensorFlow软件包上的PyPi安装最新的ivis版本，请运行： # TensorFlow 2 packages require a pip version >19.0. pip install --upgrade pip pip install ivis[cpu] 如果您已安装CUDA，并且希望ivis使用tensorflow-gpu软件包，请运行 pip install

很好的ML入门资料-CS229课程，Stanford Universtiy Machine LearningCS229(含学习笔记和原始讲义)，很不错，分享给大家

第二版介绍了各种各样的机器学习和深度学习算法和技术，通过现实应用加强。这本书通俗易懂，不证明定理，也不详述数学理论。我们的目标是在直观的层次上呈现主题，并有足够的细节来阐明底层的概念。这本书深入地涵盖了核心的经典机器学习主题，包括隐藏马尔可夫模型(HMM)，支持向量机(SVM)和聚类。其他机器学习主题包括k-最近邻(k-NN)、boosting、随机森林和线性判别分析(LDA)。基本的深度学习主题的反向传播，卷积神经网络(CNN)，多层感知器(MLP)，和循环神经网络(RNN)的深度覆盖。此外，还提出了一系列先进的深度学习架构，包括长短期记忆(LSTM)、生成对抗网络(GAN)、极限学习机(ELM)、残差网络(ResNet)、深度信任网络(DBN)、变形Transformers 双向编码器表示(BERT)和Word2Vec。最后，讨论了一些前沿的深度学习主题，包括退出正则化、注意力、可解释性和对抗性攻击。书中的大多数例子都来自信息安全领域，其中很多机器学习和深度学习应用都集中在恶意软件上。本文提供的应用程序通过说明在简单的场景中使用各种学习技术来揭开主题的神秘面纱。本书中的一些练习需要

因此，情商是智力的一个非常重要的方面； 机器智能需要包含情商。 在这一领域已经进行了深入的研究，以使机器能够理解人类的情绪状态。 非语言交流是人类之间的主要表达方式，它由手势、面部表情等组成。面部表情可能具有欺骗性，一个人可能会通过使用面部表情来假装他/她的情绪状态。 生理信号可以与面部表情结合使用来检测行为谎言。 自动化此任务至关重要。 在本文中，我们调查了利用机器学习和生理信号来检测行为谎言的各种技术。 识别强大的生理信号，产生准确的结果，有助于识别个人的情绪状态。 调查还旨在识别生理信号的类型和用于情感分类的分类算法的组合。