Python应用机器学习-密歇根大学--Coursera Coursera MOOC的课程材料：密歇根大学的Python应用机器学习，Python专业化应用数据科学课程3

机器学习模型的python与类库实现 本repo以李航博士的《统计学习方法》为路线，逐章讲解并实现其中所有的算法；从而，再加上常用的机器学习模型，例如GBDT，XGBoost，Light GBM，FM，FFM等，力争将传统的机器学习方法能够融汇互换 :party_popper: 。 统计学习方法｜感知机模型 模型理论讲解： 模型代码实现： ， 统计学习方法｜ K近邻 模型理论讲解： 模型代码实现： ， 统计学习方法｜朴素贝叶斯 模型理论讲解： 模型代码实现： ， 统计学习方法｜决策树 模型理论讲解： 模型代码实现： ， 统计学习方法｜ logistic回归 模型理论讲解： 模型代码实现： ， 机器学习｜ softmax 模型理论 模型代码实现： 统计学习方法｜最大熵模型 模型理论讲解： 模型代码实现： 统计学习方法｜支持向量机 模型理论讲解： 模型代码实现： ， 统计学习方法｜

MMEA：多模态知识图的实体对齐 在第13届知识科学，工程与管理国际会议（KSEM'2020）上发表的论文“ ”的模型代码和数据集。 实体对齐在知识图（KG）集成中起着至关重要的作用。 尽管已经在探索不同知识图之间的关系嵌入的关联上进行了大量的努力，但是它们可能无法在实际应用场景中有效地描述和集成多模式知识。 为此，在本文中，我们提出了一种新颖的解决方案，称为多模式实体对齐（MMEA），以解决多模式视图中的实体对齐问题。 具体来说，我们首先设计一种新颖的多模式知识嵌入方法，以分别生成关系知识，视觉知识和数字知识的实体表示。 沿着这条路线，将通过多模式知识融合模块集成不同类型知识的多种表示形式。 在两个公共数据集上进行的大量实验清楚地表明，与最新方法相比，MMEA模型的有效性有了很大的提高。 数据集 来自论文“ ”的三个具有关系，数值和视觉知识的公共多模，即FB15k，DB15k和Y

COCO LM预训练（WIP） 在Pytorch中实现 ，纠正和对比文本序列以进行语言模型预训练。 他们能够以自我监督的方式进行对比学习，以进行语言模型预训练。 似乎是Electra的坚实后继者。 安装 $ pip install coco-lm-pytorch 用法 使用x-transformers库的示例 $ pip install x-transformers 然后 import torch from torch import nn from x_transformers import TransformerWrapper , Encoder from coco_lm_pytorch import COCO # (1) instantiate the generator and discriminator, making sure that the generator is ro

假新闻是社会上的一个严重问题。 人们对新闻的过分依赖是在互联网和社交媒体上传播假新闻的巨大动机，这需要将其与真实情况区分开。 为了填补这一安全空白，目前正在研究各种机器学习，人工智能，自然语言处理以及其他相关的信息和技术工具，以将彼此隔离。 在本文中，我们将假新闻视为一个问题，通过过度研究“基于样式”的方法来研究将假新闻分类为不同类型，将新闻分为假新闻或真实新闻的方法。 我们还将研究分类中使用的机器学习和自然语言功能以及度量，并了解如何应用机器学习来检查此问题。 最后，我们将在印度新闻中应用其中一些方法，并了解它们的效果。

Machine learning is a subfield of computer science that is concerned with building algorithms which, to be useful, rely on a collection of examples of some phenomenon. These examples can come from nature, be handcrafted by humans or generated by another algorithm. Machine learning can also be defined as the process of solving a practical problem by 1) gathering a dataset, and 2) algorithmically building a statistical model based on that dataset. That statistical model is assumed to be used somehow to solve the practical problem. To save keystrokes, I use the terms “learning” and “machine learning” interchangeably

最新（2013年春）一期的Coursera 机器学习课程 Machine Learning Andrew Ng Stanford 讲义合集 lectures 是我在跟进课程学习时候下载的，非常好的课程和讲解，的确很有收获。 希望能够对大家有用。

在本文中，我们将ResNet模型转换为Core ML格式。

面部对齐 通过回归树进行人脸对齐 预要求 Visual Studio 2012+ 和 OpenCV 安装在 C:/opencv

RL飞扬的鸟 概述 该项目是强化学习的基本应用。 它集成了以使用DQN来训练代理。 预训练模型在单个GPU上以3M步进行训练。 您可以找到解释培训过程的，或。 构建项目并运行 该项目支持使用Maven进行构建，您可以使用以下命令进行构建： mvn compile 以下命令将开始在没有图形的情况下进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" 上面的命令将从头开始训练。 您也可以尝试使用预先训练的体重进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" -Dexec.args="-p" 要直接使用模型进行测试，您可以执行以下操作 mvn exec:java -Dexec.mainClass="com.ki