Mnist-时尚-赋值-PIAIC Fashion-MNIST是Zalando文章图片的数据集-包含60,000个示例的训练集和10,000个示例的测试集。每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联。 Zalando打算将Fashion-MNIST用作直接替代MNIST原始数据集的基准机器学习算法。它具有相同的图像大小以及训练和测试分割的结构。原始MNIST数据集包含许多手写数字。 AI / ML /数据科学社区的成员喜欢此数据集，并将其用作验证其算法的基准。实际上，MNIST通常是研究人员尝试的第一个数据集。他们说：“如果它在MNIST上不起作用，那么它将根本不起作用”。 “好吧，如果它确实可以在MNIST上运行，那么在其他系统上仍然可能会失败。” Zalando试图替换原始的MNIST数据集内容每个图像的高度为28像素，宽度为28像素，总计784像素。每个像素都

TRIANGRND 从三角形分布创建随机数组。 R = TRIANGRND(A,M,B) 返回从具有下限 A、上限 B 和众数 M 的三角形分布中选择的随机数数组。 R 的大小是 A、M 和 B 的公共大小，如果都是数组。 如果任何参数是标量，则 R 的大小是其他参数的大小。 R = TRIANGRND(A,M,B,MM,NN,...) 或 R = TRIANGRND(A,M,B,[MM,NN,...]) 返回 MM-by-NN-by-。 .. 大批。 TRIANGRND 使用 Kotz & van Dorp 的方法 [1]。 可以通过 galexander (at) Mines (dot) edu 联系作者。 参考： [1] S. Kotz 和 JR Van Dorp。 超越 Beta：具有有限支持和应用程序的其他连续分布系列。 新泽西州哈肯萨克：世界科学出版社，2004 年

VIKRAM VOLETI简要介绍神经常微分方程，共计50页的ppt教程。其主要涉及问题定义、不同的求解方法以及ODE的基础理论。欢迎感兴趣的朋友下载学习。

tf2_lstm 使用tensorflow 2.0 rc1在LSTM上进行试验。 使用来自实际油井的每日生产数据。

LUNA16对象检测 为Luna16数据集上的肺结节检测任务开发一个记录良好的存储库。 这项工作的灵感来自于“ ”。 肺癌是世界上最常见的癌症。 每年死于肺癌的人数多于乳腺癌，结肠直肠癌和前列腺癌的总和。 肺结节检测是检测肺癌的重要过程。 提供健壮模型的工作很多，但是，目前还没有确切的解决方案。 （以下简称DSB）是全球首屈一指的社会公益竞争数据科学，创建于2014年，由Booz Allen Hamilton和Kaggle提出。 数据科学碗汇聚了各行各业的数据科学家，技术专家和领域专家，以应对全球数据和技术挑战。 在DSB2017中，举行了寻找肺结节的比赛。 grt123团队通过实施基于3

颜色分类leetcode 更新后的版本 ： 使用色度方法的 Python Video Pulserate 使用来自视频的 rPPG 和色度方法的脉搏率监视器的 Python 实现。 它使用 OpenCV 进行人脸检测，皮肤选择有两种方法可用。 使用 hsv 颜色范围和前额估计的皮肤分类。 由于采用了最先进的色度方法，该系统具有相当强的运动稳定性。 此外，该框架还具有一个 GUI，用于描述测量的原始 rPPG 信号和由此产生的傅立叶频谱。 依赖关系 Python3 麻木。 Matplotlib。 OpenCV SciPy 对于图形用户界面： PyQt5 PyQtgraph 图形用户界面 执行 rPPG_GUI.py 以启动 GUI。 编辑源变量以选择所需的输入。 GUI 使用 PyQtgraph 来实时显示测量数据。 可以在 python 脚本中设置视频源以及皮肤选择方法。 可以在 Python 文件中找到确切的用户说明。 .Mat 提取 来自离线记录的原始 rPPG 信号也可以提取到 .Mat 文件中，以便可以使用 Matlab 进行处理，这有助于进行更详细的分析。 为此功能运行 ma

「勒索软件」检测来自web的威胁 - 安全威胁 web安全 工控安全 安全资讯 安全防御 安全威胁

这些文件包含运行网络研讨会“MATLAB 机器学习信号处理”中的示例所需的所有代码。 它们还包括自动下载和准备所用数据集的代码。 在该网络研讨会中，我们展示了一个分类系统的示例，该系统能够仅基于人类受试者的智能手机生成的加速度计信号来识别人类受试者所从事的身体活动。 我们使用统一的信号处理方法提取了相当少量的高度描述性特征，最后训练了一个小型神经网络，将特征向量映射到预先记录数据集的 6 个不同活动类别中。 讨论的主题包括： * 信号处理和可视化*数字滤波器的设计和应用* 频域分析* 自动峰值检测* 从信号中提取特征* 训练和测试简单的神经网络

/ *日期：2018年5月7日作者：Raj Mehrotra * / 来自kaggle的“红酒质量”数据集。 数据集包含有关葡萄酒样品的详细信息，以及说明葡萄酒中不同化学物质浓度的不同特征。 目标变量是0-10的葡萄酒质量。 我首先探索并分析了数据，并使用了熊猫，matplotlib，seaborn库进行了可视化，并研究了不同类别和数字特征的分布。 然后，我清理了数据并准备好进行建模。然后，我还使用sklearn提供的StandardScaler缩放了所有数字功能以实现更好的性能。 最后，我从scikit学习中使用了不同的ML算法，包括SVM，RandomForest等。 我还使用GridSearchCV函数调整了所有算法的参数。 最后，通过使用带有“ rbf”内核和参数“ C”和“ gamma”的调整值的支持向量机，我在数据集上的精度为0.9175。

太阳能预报 该项目是我最后一个学期的硕士学位课程工作的一部分。 此处的主要范围和目标是预测来自亚洲地理位置的年度太阳能发电量（取决于数据），然后减少产生的总软成本。 下文提供的文档和项目报告中详细介绍了这项工作。