脑电图提取 1,2 ， 1 ， 1 ， 3 ， 1 1密歇根州立大学计算机科学系，人类增强与人工智能实验室2密歇根州立大学心理学系感知与注意力实验室的神经影像学3纽约大学计算机人类智能实验室，阿布扎比，电气与计算机工程系 一个用于提取EEG特征的pyhton软件包。 最初是针对论文而开发的，该论文发表在Digital Health的前沿杂志上，有关临床决策中的机器学习专刊。 获取BibTex引用（或滚动至本页底部）。 据我们所知，EEGExtract是当前可用的最全面的EEG特征提取库。 该库正在积极维护中，如果您认为添加特定功能对社区有益，请提出一个问题！ 设置 确保您具有在requirements.txt列出的必需软件包。 如果不确定，请使用pip install -r requirements.txt 。 只需下载EEGExtract.py文件并将其EEGExtrac

这个实现的目标数据集是MNIST，通过VAE生成，可以给初学者一个直观的有趣的尝试

针对弱监督机器学习方法，系统阐述了小样本学习、零样本学习、零—小样本学习的问题定义、当前主要方法以及主流实验设计，最后基于当前研究中出现的问题，对下一阶段研究方向进行了总结展望。

albert_zh 使用TensorFlow实现的实现 ALBert基于Bert，但有一些改进。 它以30％的参数减少，可在主要基准上达到最先进的性能。 对于albert_base_zh，它只有十个百分比参数与原始bert模型进行比较，并且保留了主要精度。 现在已经提供了针对中文的ALBERT预训练模型的不同版本，包括TensorFlow，PyTorch和Keras。 海量中文语料上预训练ALBERT模型：参数充分，效果更好。预训练小模型也能拿下13项NLP任务，ALBERT三大改造登顶GLUE基准 一键运行10个数据集，9个层次模型，不同任务上模型效果的详细对比，见 一键运行CLUE中

ml-in-action：出版书籍《机器学习入门到实践——MATLAB实践应用》一书中的实例程序。涉及监督学习，非监督学习和强化学习。（本书的代码“ MATLAB中的机器学习简介与操作” ”）

voxelmorph：基于学习的图像注册 voxelmorph是一个通用库，用于基于学习的工具进行对齐/配准，更常见的是使用变形建模。 讲解 访问以了解VoxelMorph和基于学习的注册 使用说明 要使用VoxelMorph库，请克隆此存储库并安装setup.py列出的要求，或者直接使用pip安装。 pip install voxelmorph 训练 如果您想训练自己的模型，则可能需要针对自己的数据集和数据格式在voxelmorph/generators.py自定义一些数据加载代码。 但是，假设您有一个包含npz（numpy）格式的训练数据文件的目录，则可以开箱即用地运行许多示例脚本。 假

监督学习的训练集+测试集+停用词。可以直接下载。数据集中有四个分类，每个1000+个。停用词是哈工大停用词。

图像模糊matlab代码自我监督 用于训练神经网络的自监督算法。 该算法可以利用结构化的未标记样本来提高网络的性能。 存储库的结构 所提出方法的第一个版本由 Matlab 实现，第二个版本由 Pytorch 实现，因此该存储库中既有 Matlab 也有 Jupyter notebook 文件。 神经核心：用于使用 matlab 构建我们的网络的核心单元 神经模型：网络和数据模型类 data_transfer : 用于划分数据集并使用 PCA 将图像传输到向量的 api data : 论文中使用的南瓜数据集 ss_net.m ：使用建议方法的示例 同轴错误检测：应用示例 epfl_car : epfl car 数据集的实验 EPFL 汽车数据集的结果 方法 平均AE 中位数AE 有标签 无标签 我们的方法 1 9.28 3.5 1079 0 我们的方法 2 12.02 3.65 123 1389 我们的方法 3 17.22 4.78 123 0 芬兹等人。 (2015) 13.6 3.3 1179 0 他等人。 (2014) 15.8 6.2 1179 0 杨等人。 (2017) 20.

斯坦福无监督特征学习和深度学习教程（新版）使用 Python 教程网站： 查看此 repo 的 ipython 笔记本的好方法： 为简化起见，下面列出了所有笔记本的链接：

使用师生模型进行人声旋律提取的半监督学习 ISMIR（2020）| “使用师生模型进行人声旋律提取的半监督学习”的源代码| 抽象的 缺少标记数据是许多音乐信息检索任务（例如旋律提取）中的主要障碍，在这些任务中，标记非常费力或成本高昂。 半监督学习（SSL）提供了一种通过利用大量未标记数据来缓解此问题的解决方案。 在本文中，我们提出了一种使用师生模型进行人声旋律提取的SSL方法。 教师模型经过预先标记的数据训练，并指导学生模型在自训练设置中在未标记输入的情况下做出相同的预测。 我们研究了具有不同数据增强方案和损失函数的三种师生模型设置。 此外，考虑到测试阶段标记数据的稀缺性，我们使用分析合成方法从未标记数据中人工生成带有音高标记的大规模测试数据。 结果表明，SSL方法仅针对有监督的学习即可显着提高性能，而这种改进取决于师生模型，未标记数据的大小，自训练迭代的次数以及其他训练细节。 我们还发现