SmartSim SmartSim使得在大规模数值模拟中更容易使用常见的机器学习（ML）库（例如PyTorch和TensorFlow）。 本质上，SmartSim提供了一个API，可将以Fortran，C，C ++和Python编写的HPC（MPI + X）仿真连接到名为Orchestrator的内存数据库中。 Orchestrator建立在Redis之上，Redis是一个用C编写的流行缓存数据库。仿真和数据库之间的这种连接是SmartSim的基本范例。 使用上述语言进行的仿真可以将数据流传输到Orchestrator，并使用Python将数据拉出以进行在线分析，可视化和培训。 此外，Orchestrator配备了ML推理运行时：PyTorch，TensorFlow和ONNX。 从模拟内部，用户可以存储和执行经过训练的模型并检索结果。 支持的ML库 SmartSim 0.3.0使用R

Probabilistic Machine Learning (Duke STA561)

代码事物 地位 掌握 开发 可维护性 覆盖范围 执照 :robot: 扑克AI 该存储库将包含使用反事实遗憾的思想的扑克AI的尽力而为的开源实现。 由开发人员和。 特别感谢最初编写了的，该已移植到python3并。 加入社区 https://thepoker.ai 先决条件 该存储库假定使用Python 3.7或更高版本。 正在安装 从pypi安装： pip install poker_ai 或者，如果您想开发我们的代码，请通过克隆此repo并从pip -e安装来从源代码安装Python包： git clone https://github.com/fedden/poker_ai.git # Though really we should use ssh here! cd /path/to/poker_ai pip install . 命令行界面（CLI） 当您通过pi

时间：2020年8月25日，星期二（太平洋时区） 我们的体积捕获系统使用单个RGB网络摄像头实时捕获衣服完全覆盖的人体（包括背部）。 要求 Python 3.7 PyOpenGL 3.1.5（在Ubuntu中需要X服务器） 在1.4.0上测试 我们使用2个GeForce RTX 2080Ti GPU运行该演示，内存使用情况如下（GPU1约为3.4GB，GPU2约为9.7GB）： 注意：最后四个依赖项也由我们的团队开发，并且都处于活动维护状态。 如果您遇到有关这些工具的安装问题，建议您将问题提交到相应的存储库中。 （您无需在此处手动安装它们，因为它们包含在requirements.tx

机器学习 此存储库包含与使用 R 编程语言的营销和业务分析问题相关的项目。 机器学习可以显着提高营销绩效。 项目 1：营销活动优化 - 我们能否确定要定位的正确客户？ 第一个项目的目标是提高银行的活动营销响应率。 营销部门需要了解什么是重要的。 我们如何将资源分配给更有可能响应的客户。 这是一个经典的二元分类问题。 我们有转换或未转换的客户。 在这个项目中，我通过逻辑回归和决策树来预测营销响应率。 通过此模型的输出，营销部门可以获得与过去营销活动成功转化的客户相似的客户资料。 这是我要发送给营销部门的个人资料。 Marketing should contact customers with these characteristics: 1. marital status - single 2. education - tertiary 3. had respond

matlab 10折交叉验证知识代码简介：预测和可视化的结果位于“结果”文件夹下。 那些ML模型预测的是每条记录的位置，而html文件可视化的是车辆加速和访问的前10个位置。 这些html文件由Python脚本生成，将位置速度限制与汽车记录进行比较，并计算所有位置的频率。 原始数据集（位于文件夹“ 1-data-preprocessing”中）： linkinfo-copy.csv：包含传感器信息的excel文件 traffic-csv文件夹：该文件夹包括从04/2015到12/2016的所有流量记录 源代码： 1-data-preprocessing文件夹：该文件夹包括有关数据预处理的所有脚本（步骤1） 2-ml-model：包含所有机器学习脚本的文件夹（第2步） 3-可视化：该文件夹包括有关可视化的所有脚本（第3步） 补充材料： 纸文件夹：包含我用作参考的所有纸的文件夹 结果文件夹：该文件夹包含屏幕截图和ML预测和可视化结果的输出 ================================================== =========================

无线电频谱+机器学习=无线电技术的新潮流：由机器学习（ML）技术驱动的当前人工智能浪潮席卷全球，这是有充分理由的。通过对数字化写作，口语单 词，图像，视频流和其他数字内容的充分培训，机器学习已成为语音识别，自动驾驶汽车和其他以前想象的功 能的基础。随着数十亿电话，设备，无人机，交通信号灯，安全系统，环境传感器和其他与无线电连接的设备 加在一起，迅速发展的物联网（IoT），现在有必要将ML应用于无线电的无形领域DARPA的微系统技术办公室 的程序经理Paul Tilghman说，射频（RF）信号。为了进一步解决这个问题，DARPA今天宣布了其新的射频机 器学习系统（RFMLS）计划。

最近的研究预测，到2030年，交通事故将成为全球第五大死因。 由于驾驶员的精神状态、道路状况、天气状况、交通和违反交通规则等特征的复杂组合，如今很难确定交通事故的根本原因。 交通事故造成的死亡和驾驶员伤害的成本对社会产生了很大的影响。 如今，机器学习技术在道路事故领域的应用越来越受欢迎。 机器学习分类器的部署取代了传统的数据挖掘技术，以产生更高的结果和准确性。 这项工作对使用机器学习领域的与事故预测相关的各种现有工作进行了调查。

从零开始的应用概率论 数据和幻灯片与在线网络研讨会系列一起提供：Data For Science的 。 在Binder中运行代码： 机器学习和人工智能的最新进展引起了计算机科学和数学这两个领域的极大关注和兴趣。 这些进步和发展中的大多数都依赖于随机模型和概率模型，需要对概率论以及如何将其应用于每种特定情况有深入的了解。 在本讲座中，我们将以动手和渐进的方式介绍概率论的理论基础以及诸如工业和学术界实际应用中常用的马尔可夫链，贝叶斯分析和A / B测试等最新应用。 时间表 基本定义和直觉 了解什么是概率 计算不同结果的可能性 根据特定的概率分布生成数字 根据样本估算种群数量 随机游走和马尔可夫链 模拟一维随机游走 了解网络上的随机游走 定义马尔可夫链 实施PageRank 贝叶斯统计 了解条件概率 派生贝叶斯定理 了解如何更新信仰 A / B测试 了解假设检验 测量p值 比较两个结果的可能

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，