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，

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

飞行延迟预测 介绍 延误是任何运输系统中最令人难忘的性能指标之一。 值得注意的是，民航业者将延误理解为航班延误或推迟的时间。 因此，延迟可以由飞机的起飞或到达的预定时间与实际时间之间的差异来表示。 国家监管机构有许多与航班延误的容忍阈值有关的指标。 实际上，航班延误是航空运输系统中必不可少的主题。 2013年，欧洲有36％的航班延误了超过5分钟，而美国有31.1％的航班延误了超过15分钟。 这表明该指标的相关性如何，以及无论航空公司网格的规模如何对其产生影响。 为了更好地了解整个飞行生态系统，每时每刻都会收集来自商业航空的大量数据并将其存储在数据库中。 淹没在传感器和物联网产生的大量数据中，分析人员和数据科学家正在增强其计算和数据管理技能，以从每个数据中提取有用的信息。 在这种情况下，理解领域，管理数据和应用模型的过程被称为数据科学，这是解决与大数据有关的挑战性问题的趋势。 在此项目中，我

Hands-On Machine Learning with Scikit-Learn and TensorFlow pdf最新版本

很经典的关于模式识别以及Deep Learning的文章，值得一起学习

蓝雾 BlueFog 是一个高性能的分布式训练框架，采用分散优化算法构建。 Bluefog 的目标是使去中心化算法易于使用、容错、对异构环境友好，甚至比使用参数服务器或 ring-allreduce 构建的训练框架更快。 表现 下面的图表代表了在 ResNet50 基准上完成的 BlueFog 的性能。 每台机器有 8 个 V100 GPU（64GB 内存），启用 NVLink，互连通信速度为 25Gbps。 这与您可以在获得的硬件设置相同。 我们测试了计算密集型场景的批量大小为 64 和通信密集型场景的批量大小为 32 的扩展效率。 在图中，黑框代表理想的线性缩放。 据观察，Bluefog 可以实现超过 95% 的扩展效率，而 Horovod 在 128 个 GPU 上以 64 的批量大小达到约 66% 的扩展效率。 对于批量大小为 32 的通信密集型场景，Bluefog 和 Hor

Quest Machine 1.2.21

画面质量 描述 图像质量是用于自动图像质量评估（IQA）的开源软件库。 依存关系 Python 3.8 （开发中）Docker 安装 该软件包是公共的，并托管在PyPi存储库中。 要将其安装在您的机器中 pip install image-quality 例子 安装image-quality包之后，您可以在python终端中运行以下命令来测试它是否已成功安装。 >>> import imquality.brisque as brisque >>> import PIL.Image >>> path = 'path/to/image' >>> img = PIL.Image.open(path) >>> brisque.score(img) 4.9541572815704455 发展 如果添加新的tensorflow数据集或修改zip文件的位置，则必须更新url校验和。 您可以在以下找到

Suppot-Vector-Machine-IRIS:使用SVM对IRIS数据集进行实验