这是一份调查报告，其中包括多个参考的摘要，以使您更好地理解该主题。 本文包括有关预测性维护的简要概述，并介绍了预测性维护的一些应用，同时也考虑了较早的研究，这些研究讨论了使用机器学习的多分类器方法进行预测性维护的各种方法。 预测性维护被引入各个行业和部门。 它有助于预测已经使用的机器设备的状况，从而告诉您是否需要维护。 与常规维护相比，在没有适当利用资源的情况下进行了不必要的更换，与定期维护相比，该技术可确保节省成本。 该技术的主要优点在于，它可以及时，方便地安排纠正性维护的时间，并可以防止意外的故障。 如果提前知道了那部分需要维护，我们可以相应地计划和工作。 这是连续的，模型或算法在使用过程中不断发展的迭代过程。

利用hog提取特征输入到svm分类器中，适用于新手

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

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。

正在进行的工作 git submodule update --init --recursive cd fastaugment mkdir -p build && cd build cmake .. && make cd ../../sigmoid_like_tf_op mkdir -p build && cd build cmake .. && make

很棒的决策树研究论文 精选的决策，分类和回归树研究论文清单，包括来自以下会议的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 关于，，，和论文的类似集合以及实现。 2020年 DTCA：可解释的索赔验证基于决策树的共同注意网络（ACL 2020） 吴连伟，袁Yuan，赵永强，梁浩，安布琳·纳齐尔 隐私保护梯度提升决策树（AAAI 2020） 李勤彬，吴兆敏，温则宜，何炳生 实用联合梯度提升决策树（AAAI 2020） 李勤彬，温则宜，何炳生 最优决策树的有效推断（AAAI 2020） 弗洛伦特·阿韦拉内达（Florent Avellaneda） 使用缓存分支和边界搜索学习最佳决策树（AAAI 2020） 盖尔·阿格林（Gael Aglin），齐格弗里德·尼森（Pierre） 决策树集合分类器的抽象解释（AAAI 2020） 弗朗切斯科·朗佐托（Marco Zanella） （多任务）梯度增强树的可扩展功能选择（AISTATS 2020） Cuize Han，Nikhil Rao，Daria Sorokina，Karthik Subbia

EVA：极限人声存档数据集 这是我在NTHU学习MIR课程时所做的最后一个项目。 我决定制作一个充满尖叫声样本的数据集，因为这种声音在MIR领域中较少受到关注。 建立该数据集可能是未来研究的起点。 原始音频 我从挑选了16首歌曲，并通过胆怯将声轨切成小片段，最终得到565个样本。 The Apprehended: 'Still Flyin' Cnoc An Tursa: 'Bannockburn' The Complainiacs: 'Etc' Dark Ride: 'Burning Bridges' Dark Ride: 'Hammer Down' Dark Ride: 'Piece Of Me' Death Of A Romantic: 'The Well' Decypher: 'Unseen' Headwound Harry: 'XXXV' Hollow Ground: 'Ill

手机价格预测 使用的数据集： ： 数据集的简短描述： 功能名称 功能说明 类型 ID ID 数字 电池电量 电池可存储的总能量（以mAh为单位） 数字 蓝色的 有没有蓝牙 布尔型 时钟速度 微处理器执行指令的速度 数字 双SIM卡 是否支持双卡 布尔型 fc 前置摄像头百万像素 数字 four_g 是否有4G 布尔型 int_memory 内部存储器（以千兆字节为单位） 数字 m_dep 移动深度（厘米） 数字 mobile_wt 手机重量 数字 n_cores 处理器核心数 数字 个人电脑 主相机百万像素 数字 px_height 像素分辨率高度 数字 px_width 像素分辨率宽度 数字 内存 随机存取内存（以兆字节为单位） 数字 sc_h 手机屏幕高度（厘米） 数字 sc_w 手机屏幕宽度，以厘米为单位 数字 谈话时间 通话将持续最长的电池

SMS_Spam_Classifier：垃圾邮件分类器

本资源包含opencv训练自己的分类器是需要用的训练工具，包含opencv_createsamples.exe，opencv_haartraining.exe，opencv_traincascade.exe，opencv_visualisation，opencv_annotation．我的编译平台是ubuntu16.0.4, 64位， ELF 64-bit LSB executable, x86-64, version 1 (SYSV), dynamically linked, interpreter /lib64/l, for GNU/Linux 2.6.32, 注意！！！ 1.本工具集可以在编译opencv项目后的bin/目录下找到，但是方便有的人嫌opencv大或者编译麻烦，提前编译后供大家使用，已经有编译够项目代码的无需下载，不要浪费积分 2.本工具是在2019-07-30日编译完成的，此时最新的opencv版本是4.X,但是我看有的博客上说4.x+的版本没有分类器了，我没有验证，看github上的代码分类器还在．所以高版本应该没有问题，我用的是opencv3.4.7. 3.网上大部分的相关博客上用opencv_haartraining.exe工具训练分类器但是该工具是opencv２以前的版本用的，2.0还能用但是3.x在编译后就没有了，官方提供了opencv_traincascade.exe来替代opencv_haartraining.exe