他们将 GAN 和卷积方法的效率与转换器的表达能力相结合，为语义引导的高质量图像合成提供了一种强大且省时的方法。

关于该项目 该项目是直接在浏览器中运行的麻将AI。 一切都是在没有任何库的情况下用本机JavaScript从头开始编写的。 该AI不使用机器学习，而是使用常规算法。 简而言之，它正在模拟一些转弯（使用试探法以节省计算时间）并寻找最佳移动。 入门 安装浏览器扩展程序，使您可以运行自定义Javascript（如“ 。 流行的Greasemonkey应该也可以工作，但未经测试。 将/ src下的脚本复制到您的浏览器扩展中。 确保最后一次加载主类。 打开（确保您已经登录）。 如果自动运行设置为true，则机器人将自动启动游戏。 您可以通过按数字键上的+手动启动/停止机器人。 日志输出到浏览器控制台（Ctrl + Shift + J [Chrome]或Ctrl + Shift + K [Firefox]） 参数 重要参数 自动运行：如果设置为true，机器人将自动开始游戏 房间：机器人将开始

Coursera上的深度学习专业 这是我本课程的个人项目。 该课程涵盖了从初学者到高级的深度学习。 强烈建议任何想要闯入AI的人。 教师： 课程1. 第一周- 第2周- 第3周- 第四周- 课程2. 第一周- -设置机器学习应用程序-规范化神经网络-设置优化问题 第2周- 第3周-超参数 课程3. 构建机器学习项目 第一周- 机器学习策略简介-设定目标-与人员水平的绩效进行比较 第2周- 机器学习策略（2） -错误分析-培训和开发/测试集不匹配-从多个任务中学习-端到端深度学习 课程4. 卷积神经网络 第一周- 卷积神经网络的基础 第2周- 深度卷积模型：案例研究-阅读文章： 具有深度卷积神经网络的ImageNet分类，用于大规模图像识别的超深度卷积网络 第3周-对象检测-阅读文章：只看一次：统一的实时对象检测， YOLO Week4- 特殊应用：人脸识别和神经风格转换-

ai原始码java AIMLChatbotJava 这是一个使用Java制作的简单聊天机器人

乒乓球 使用神经网络和遗传算法的乒乓球人工智能。 该程序的图形从 您可以从头开始观看AI训练（run.m），也可以只运行预训练的模型（run_pretrained.m） 运行run.m时，它会不断显示每个​​染色体的新图形，因此，如果您不想被图形分散注意力，则应将其停靠。 首先，键入以下命令： figure 然后，停放该图： ://stackoverflow.com/questions/8488758/inhibit-matlab-window-focus-stealing（texnic的答案） 然后，键入以下命令： set(0, 'DefaultFigureWindowStyle', 'docked'); 然后运行文件。 run_pretrained.m也是如此 PingPongGANN中使用的算法 在这里，我使用遗传算法训练一个神经网络，该网络将玩乒乓球游戏。

国际象棋 该项目专注于计算机科学概念，例如数据结构和算法。 Chessnut是我们用于所有移动和棋逻辑的棋引擎。 我们正在利用一棵树来生成可能的棋盘，该棋盘可进行3级深度和深度优先搜索，最小极大值和alpha-beta修剪，以根据以下启发式方法找到最佳动作： 材料（每个玩家的总件数） 可能采取的法律措施的数量，重点是中心广场 检查/检查状态 典当结构 当前，由于递归函数要使用大量的计算能力，因此尝试实现多处理功能，因此在超过4个级别的深度上计算启发式状态需要花费大量时间。 深度为3级时，我们的AI做出了不错的动作，但也提出了许多不明智的建议。 人工智能的国际象棋情报估计为9级中的3级。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 先决条件 （与Python2.7兼容） 正在安装 安装必备组件并克隆此存储库后，进入该存储库并创建一个虚拟环境： v

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

DATA130008-GOMOKU_AI 该项目是复旦大学数据科学学院“人工智能”课程的最终项目（2020年秋季）。 它旨在自动玩GOMOKU游戏。 该项目由陈少涵和詹元竹完成，并参考了其他GOMOKU项目，但由我们自己进行了独立分析。 GOMOKU AI的最终竞争版本在排名榜上达到1230分。 GOMOKU_AI是我们基于alpha_beta修剪的修订版的最终AI。 MCTS_AI是MCTS算法的实现。 要在评级排名中竞争，请执行“ pyinstaller GOMOKU_AI.py pisqpipe.py --name pbrain-XXX.exe --onefile”。 要测试MCTS，请执行“ pyinstaller MCTS_AI.py pisqpipe.py --name pbrain-XXX.exe --onefile”。 pbrain-final_version.ex

Cookie-Clicker-AI：一种有点作弊的Cookie Clicker AI

2048 AI 为游戏2048制作的AI。在大多数情况下，AI可以达到16384，有时甚至可以达到32768。 经过5次尝试，AI在浏览器版本中达到了32768磁贴，得分为630032。下面是该游戏的屏幕截图。 算法 该AI是在浏览器上并行运行的Expectimax搜索，没有任何后端服务器或浏览器控件，因此您甚至可以在移动设备上运行它。 AI使用4个Web工作程序，每个工作程序都是一个用C ++和Emscripten编译的WebAssembly模块，用于对每个可用动作执行Expectimax搜索。 选择结果最高的棋步。 因为搜索是并行完成的，并且工作人员使用了诸如位板表示，查找表之类的大量优化，所以AI可以在很短的时间内进行非常深的搜索（默认搜索深度为7）。 基准测试（控制台应用程序，英特尔:registered:酷睿:trade_mark:i5-8300H处理器） 深度 游戏类 分数 ％32768 ％16384 ％81