计算机视觉：模型学习和推理（算法） Simon JD Prince教授撰写的《计算机视觉：模型学习和推理》一书中算法的Python实现。 这本书，算法。 这些算法是根据本书中的章节进行组织的，这些章节介绍了与机器学习和计算机视觉有关的几个主题。 第四章 本章概述了用于将概率模型拟合到数据的方法。 本章涵盖了三种方法，每种方法都有两个示例：最大似然估计（4.1，4.4），最大后验（4.2，4.5）和贝叶斯方法（4.3，4.6）。 第一组示例用于单变量正态分布，而第二组示例用于类别分布。 Cahpter 6 本章重点介绍计算机视觉模型的两个主要类别。 那些在给定数据的情况下对世界状态的概率进行建模的模型（判别式），以及在给定世界状态的情况下对数据进行概率的建模的模型（生成式）。 本章只有一种算法，它是基本的生成分类器，可以在Chapter_6文件夹中找到。 此外，如书中所述，生成分类器用

基于RBM的深度学习算法 基于多层RBM模型，实现二分类学习算法，目前针对该问题是采用2层RBM,特征输入只有8维，效果并不理想。 功能框架： DBN.py：深度学习主框架，包括数据输入、输入sigmoid转换，RBM层堆叠，softmax层输出。 RBM.py：RBM层框架，包括gibss采样、交叉熵误差验证 dA.py:这个是降噪自动编码器，目前还在研究 SdA.py:，堆叠降噪自动编码器，目前仍在研究 HiddenLayer.py:隐层主要是权值计算与更新 util.py：这主要是最后的softmax函数计算及输出 normal_8.py：输入数据归一化到[0,1] train.txt:训练数据 text.txt:测试数据 基于复杂语言网络的文本分类： 这里面主要包括两部分，一部分是语言网络的生成，另一部分是语言网络的特征抽取。 第一部分采用的数据是twenty-news-group

CAM_gluon

自制完整书签，官方draft版书签有误。 For a lot of higher level courses in Machine Learning and Data Science, you find you need to freshen up on the basics in mathematics - stuff you may have studied before in school or university, but which was taught in another context, or not very intuitively, such that you struggle to relate it to how it’s used in Computer Science.

Mastering Machine Learning with scikit-learn(中文版).pdf

灌溉 问题定义 需要提高生产率，以便农民在不破坏土壤的情况下从同一片土地上获得更多的报酬。 印度农民无法根据其土壤需求来选择合适的农作物，具体取决于氮，磷，钾，温度，湿度，降雨量，pH值等因素。 农民通常不了解根据土壤要求使用的有机肥料或标准肥料。 由于施肥不足和不平衡，土壤发生了退化，这导致了养分的开采以及养分管理中第二代问题的发展。 根据印度工商联合会的一项研究，害虫每年造成的农作物损失达卢比。 500亿。 客观的 实施精确农业（一种现代农业技术，该技术使用土壤特征，土壤类型，作物产量数据的研究数据，并根据其特定地点的参数向农民建议正确的作物，以减少对作物的错误选择并提高生产率） 。 为了解决该问题，通过采用具有多数投票技术的集成模型为现场特定参数提出了一种推荐系统，具有较高的准确性和效率。 根据氮，磷，钾值和作物推荐肥料。 根据ISO标准识别有害生物并推荐印度可使用的特

多任务功能学习 这是一种用于同时学习多个任务（假设它们共享一组共同的潜在特征）的方法。 它基于规范化任务矩阵的范围。 使用跟踪规范进行正则化是该框架的特例。 在多任务学习的各种应用中，一个例子是产品对消费者的个性化推荐。 在论文，和中详细介绍了该方法。 注意，可以将方法与非线性核一起使用，而不要使用显式特征。 在使用Gram-Schmidt或Cholesky分解进行预处理之后，就可以在Gram矩阵上运行代码（请参阅第5节“ ）。

记录两个IQA读库代码，可以读取大部分公开数据集

2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。 奥图纳 Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。它具有命令式，按运行定义样式的用户API。多亏了我们的运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 还有就是如何使用这个库指南。 Numba 是一种开源JI

超级马里奥兄弟的深度强化学习 描述 背景信息：超级马里奥兄弟（SMB）是一款流行的动作游戏，具有“真实的”环境和广阔的状态空间，是设计可玩计算机游戏的强化学习代理的理想平台。 该代理要求与世界上的各种对象和障碍进行交互，以鼓励采用知识丰富的学习方法。 方法-我们使用了OpenAI Gym提供的框架。 超级马里奥兄弟体育馆并从游戏环境中提取了信息，以使用PPO训练RL特工。 我们还向环境引入了预处理方法，例如帧缩放，随机跳帧，帧堆叠和噪声网，以提高代理的性能。 通过引入回滚操作来提高训练的稳定性，可以创建PPO的变体。 结果：该方法成功地训练了能够在20个小时的训练后完成水平的特工。 我们成功实现了一种方法，该方法可以比常规PPO实施更好地执行，在不应用数据预处理的情况下性能提高了50％，在应用数据预处理的情况下性能提高了10％。 工具 Pytorch已被用作主要的机器学习库 由于SMB