对象识别和机器学习的工具包，内涵大量相应的函数代码，以及demo，并附带使用说明

Fairlearn Fairlearn是一个Python软件包，可让人工智能（AI）系统开发人员评估其系统的公平性并减轻任何观察到的不公平问题。 Fairlearn包含缓解算法以及用于模型评估的Jupyter小部件。 除了源代码之外，该存储库还包含Jupyter笔记本，其中包含Fairlearn用法示例。 网站： ： 当前的版本 当前的稳定版本可从。 我们当前的版本与0.2或更早的版本有很大的不同。 这些旧版本的用户应访问我们的。 我们所说的公平 人工智能系统可能出于多种原因而表现不公平。 在Fairlearn中，我们定义了AI系统在对人的影响（即危害）方面是否表现出不公平的行为。 我们关注两种危害： 分配危害。 当AI系统扩展或保留机会，资源或信息时，可能会发生这些危害。 一些关键的应用程序是在招聘，入学和贷款方面。 服务质量危害。 服务质量是指即使没有扩展或保留任何机会，资源或信息，系统对于一个人的工作是否也与另一个人的工作是否一样好。 我们遵循被称为“群体公平”的方法，该方法问：哪些群体的个人有遭受伤害的风险？ 相关的组需要由数据科学家指定，并且是特定于应用程序的。

scikit-multiflow是一个机器学习包，用于在Python scikit-multiflow传输数据。 和正在合并到一个名为的新项目中。 我们认为这两个项目具有相同的愿景。 我们认为，集中资源而不是重复工作将使双方受益。 我们也有信心，这将使两个社区受益。 将会有更多的人从事新项目，这将使我们能够更有效地分配工作。 因此，我们将能够使用更多功能并提高项目的整体质量。 这两个项目将停止积极发展。 这两个项目的代码都将继续公开提供，尽管开发仅侧重于过渡期间的小规模维护。 新软件包的体系结构与creme非常相似。 它将专注于单实例增量模型。 我们鼓励用户使用River代替奶油。 我

什么是DarkMark？ DarkMark是一个C ++ GUI工具，用于对神经网络中使用的图像进行注释。 它是专门为与神经网络框架一起使用而编写的，并具有为Darknet和YOLO量身定制的一些功能。 首次启动DarkMark时，可以指定Darknet样式的神经网络来加载所选项目。 DarkMark使用该神经网络来帮助您标记更多图像。 存在几种不同的查看功能，可以快速查看所有注释并突出显示一些常见错误。 准备就绪后，DarkMark也可用于生成所有Darknet和YOLO（或其他）配置文件，以训练新的神经网络。 这包括对.cfg文件以及.data，培训和验证.txt文件所需的修改。 DarkMark还将创建一些Shell脚本以开始培训并在计算机之间复制必要的文件。 执照 DarkMark是开源的，并使用GNU GPL v3许可证发布。 有关详细信息，请参见license.txt。

一个从开源项目 MLPrimitives 机器学习和数据科学的管道和原语。 文档： : Github： : 执照： 开发状态： 概述 此存储库包含 MLBlocks 库要使用的原始注释，以及必要的 Python 代码，以使其中一些与 MLBlocks API 要求完全兼容。 还有一组直接贡献给这个库的自定义原语，它们要么结合第三方工具，要么从头开始实现新功能。 我们为什么要创建这个库？ 在一个快速发展的领域中有太多的图书馆 构建机器学习应用程序的巨大社会需求 领域专业知识存在于多个地方（数学知识） 没有关于超参数、行为的文档化信息...... 安装 要求 MLPrimitives已在Python 3.6、3.7和3.8上进行开发和测试 此外，虽然不是严格要求，但强烈建议使用virtualenv以避免干扰运行MLPrimitives的系统中安装的其他软件。 使用

TensorFlow Machine Learning Cookbook2017最新版。有同学反应资源太多不知道从何看起，或者有点基础了想快速上手，TensorFlow Machine Learning Cookbook是一个比较好的教程，后内容作为参考。

coursera 上的吴恩达的机器学习课程，octave4.0.0版本提交作业时会提示提交失败，只要将每个作业文件下的lib文件替换成本资源提供的lib即可。

matlab系统聚类代码Ng（斯坦福大学-Coursera）的机器学习课程资料 该代码在Matlab中实现，每个文件夹的内容显示如下： 第二周：线性回归 第三周：逻辑回归 第四周：多类分类和神经网络 第五周：神经网络学习 第六周：正则线性回归和偏差与方差 第7周：支持向量机 第8周： K均值聚类和主成分分析 第9周：异常检测和推荐系统

[ACL 2020]对话式讲故事：地牢和龙的数据集的关键作用 总览 本文描述了《地牢与龙》的关键角色数据集（CRD3）及其相关分析。 关键角色（Critical Role）是一个无脚本的现场直播节目，固定人群在其中玩开放式角色扮演游戏《龙与地下城》。 该数据集是从159个关键角色情节中收集的，这些情节被转录为文本对话，包括398,682个回合。 它还包括从Fandom Wiki收集的相应抽象摘要。 该数据集在语言上是独一无二的，因为叙述完全是通过玩家的协作和口头互动来产生的。 对于每个对话，都有大量的转弯，详细程度各不相同的多个抽象摘要以及与先前对话的语义联系。 此外，我们提供了一种数据增强方

hpbandster-sklearn hpbandster-sklearn是一个Python库，为超参数调整库提供了包装器HpBandSterSearchCV 。 动机 HpBandSter实现了几种尖端的超参数算法，包括HyperBand和BOHB。 它们通常优于标准的随机搜索，可以在更短的时间内找到最佳的参数组合。 HpBandSter功能强大且可配置，但对于初学者来说，其用法通常是不直观的，并且需要大量的样板代码。 为了解决该问题，创建了HpBandSterSearchCV来替代scikit-learn超参数搜索器，它遵循了众所周知的流行API，从而可以以最小的设置调整scikit-