PFE SSR-监控环境单包SDN PFE SSR（NET5535）2018-2019-TélécomSudParis FélixMolina，Erwan Goarguer-格雷戈里·布兰克，Mustafizur Shahid 语境 范式软件定义网络（SDN）可以集中存储所有信息。 Lesréseauxdu futur，特别是lesréseauxIoT（物联网），serontportéspar ce paradigmeréseau。 入侵防御系统（IDS）的Afin d'assurer lasécuritécesréseaux。 作为IDS estdéployéau niveau ducon

布里萨帕蒂 :pushpin: 介绍 这是各种机器学习算法和实验的集合，通过遵循各种教程，文章博客等内容，这些知识已经在我这边实现了。 这些机器学习算法已在来自 ， 等的各种数据集上实现。 :check_mark: 资源 :collision: 笔记本和数据集 姓名 数据集 笔记本 亚马逊情绪分析 使用转移学习进行COVID-19检测 猫狗分类器 使用LSTM的聊天机器人 决策树 假新闻分类 性别预测 印地语字符识别 鸢尾花预测 K均值聚类 线性回归I 线性回归II 线性回归III 逻辑回归 MNIST时尚数据集 朴素贝叶斯 强化学习 葡萄酒数据集 时间序列分析 垃圾邮件检测 IMDB情绪分类 卫星影像分析

神经过程家族 主要入口： 。 什么 ？ 该存储库包含： 的文本 Pytorch代码（训练/绘图）以及预训练模型，以研究图像和合成一维数据集上的以下模型： 来自CNP 来自LNP AttnCNP和AttnLNP ConvCNP ConvLNP （“官方”）代码复制所有图像实验和带。 对于一维实验，请参见和 。 有关如何使用npf库的教程，请参阅NPF网站的“可 再现性”部分。 安装 点子 # clone repo pip install -r requirements.txt 请注意，skorch的版本必须为0.8，以确保可以正确上传预训练的模型。 码头工人 安装nvidia-docker 使用Dockerfile构建映像或使用Dockerfile docker pull yanndubs/npf:gpu 创建并运行一个容器，例如： docker run --

Kaggle的Quora重复问题检测比赛的解决方案 可以通过以下链接找到比赛： ://www.kaggle.com/c/quora-question-pairs使用该解决方案，我在3307个团队中排名第23（最高1％）。 考虑到其他顶级解决方案，这是一个相对轻量级的模型。 先决条件 从下载预训练的单词向量，即Gloves.840B.300d，并将其放入项目目录。 从下载火车和测试数据。 创建一个名为“数据”的文件夹并将其放入。 将所有软件包安装在requirements.txt中。 管道 该代码是用Python 3.5编写的，并在装有Intel i5-6300HQ处理器和Nvidia G

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

前馈神经网络PoC 带有反向传播的简单实现可概述一些AI知识。 用法 // crate a data set with input- and output-values DataSet train = DataSet.fromArray( // syntactic sugar new double[][] { new double[]{ ... }, ... }, // inputs new double[][] { new double[]{ ... }, ... } // expected ); FNN net = Trainer.builder( inputUnits , outputUnits ) // create a Builder

流失预测 使用人工神经网络的客户流失预测 问题陈述 任务是预测某个客户是否会放弃公司。 也就是说，要预测“客户流失”属性。 通常，为每个客户国家/地区提供的信息帐户长度区号电话国际计划VMail计划VMail消息日间日间通话日间收费夏娃·明斯平安夜电话夏娃冲锋夜分钟夜间通话夜间收费国际分钟国际通话国际收费客户服务电话搅拌？ 内容 数据探索 数据预处理 训练模式 可视化模型

UCI甲状腺分类-​​Python，Keras，scikit-learn，ANN 该项目是针对UCI-甲状腺疾病数据集上的分类问题而创建的。 它使用ANN进行预测。 预测类为： 1-甲状腺功能亢进 2次普通 3-普通 数据集 UCI资料库中的甲状腺疾病。 框架/库 凯拉斯 scikit学习 入门 这些说明将使您简要了解如何设置环境并在本地计算机上运行以进行开发和测试。 先决条件 python3.5或更高版本 凯拉斯 scikit学习 麻木 大熊猫 设置和运行测试 运行python -V检查安装 安装所有必需的库。 从终端执行以下命令以运行测试： python main.py 注意：

时间序列分类的深度学习 这是发表在“时间序列分类的深度学习：评论”的配套资料库，该也可以在。 数据 该项目中使用的数据来自两个来源： ，其中包含85个单变量时间序列数据集。 ，其中包含13个多元时间序列数据集。 码 代码划分如下： python文件包含运行实验所需的代码。 文件夹包含必要的功能，以读取数据集并可视化绘图。 文件夹包含9个python文件，每个文件针对本文测试的每个深度神经网络。 要在一个数据集上运行模型，应发出以下命令： python3 main.py TSC Coffee fcn _itr_8 这意味着我们将在Coffee数据集的单变量UCR存档上启动模型（有