迁移学习综述论文：A Survey on Transfer Learning

图像去噪综述论文：Deep Learning on Image Denoising: An Overview

深刺 使用深度学习纠正拼写错误 动机 该项目的灵感来自在上发表的文章。 可以在Github上找到他的代码。 2017年1月，我开始了并且从第一堂课开始就迷上了。 以前，我曾多次听到过“神经网络”一词，并且对它们可以完成的事情有一个大致的了解，但从未对它们的“工作原理”有所了解。 自完成课程以来，我没有太多机会来尝试这项技术，但是我一直在考虑它的用途，尤其是在信息检索领域，这是我过去十年来一直致力于的领域。 除非您是Google，否则纠正拼写错误的典型技术是，或者它的近亲是。 魏斯先生很好地解释了为什么这些方法效果不佳。 目标 使用Tensorflow重新实现Weiss先生的递归神经网络（RNN），并达到相同的准确性水平。 他建议尝试实施某些探索领域以及其他领域，以查看是否可以获得进一步的改进。 编码 该代码的第一部分主要涉及下载Google发布的并对其进行设置，以进行培训，而这主要是

matlab有些代码不运行深度学习sndbx python（BigGANx2048），MATLAB（wavenet，arss GUI）和WLNET（VAE，WGAN等） 什么是 一些深度学习的代码或者是从某个地方获取的，或者是我为以下目的编写的：Python，MATLAB和Mathematica。 结构体 Matlab的 arss_gui：的（未完成）mlapp GUI。 wavenet：的（未经测试的）MATLAB mlx实现。 Python BigGANx2048-Tensorflow：的2048x2048架构。 wlnet（我在mathematica 12.1实施GAN训练功能之前就使用了这些工具。它们仍然可能对某人有用。） GenerativeAdversarialNetworks.nb ：（我是从某个地方将它从GitHUB上拉下来的，但现在找不到了）。 MIDInet_GAN.nb：在此笔记本中钉了一些东西。 MNIST_GAN.wb ：（我从取了本笔记本） VAE.nb ：（我想我是从这个笔记本中抢到的。无论如何，SiyiGuo的Monet VAE效果很好）。 WGAN.n

数独 使用 OpenCV 的增强现实数独求解器。 用法 安装 pip install -r requirements.txt 主文件 usage: main.py [-h] [-f FILE] [-s] [-w] [-d] arguments: -h, --help show this help message and exit -f FILE, --file FILE File path to an image of a sudoku puzzle -s, --save Save image to specified file's current directory -w, --webcam Use webcam to solve sudoku puzzle in real time

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

机器学习基础教程（Rogers）内的源码，包含.m和.r文件，大家下载学习吧！

法律文本的数字化以及人工智能，自然语言处理，文本挖掘，网络分析和机器学习的进步，导致了律师和法律学者的新形式的法律分析。 本文概述了计算方法如何影响各种法律学术领域的研究，从对法律文本的解释到对构成法律的因果因素的定量估计。 随着计算工具继续渗透到法律学术领域，它们使学者们能够在传统研究问题上获得关注，并可能产生全新的研究计划。 计算方法已经在各种与法律相关的研究领域中促进了重要的贡献。 随着这些工具的不断发展，法律学者对它们的潜在应用越来越熟悉，计算方法的影响可能会继续增长。

机器学习 Parag Singla教授教授的机器学习课程作业。 每个文件夹都包含问题说明，Python代码和最终报告（具有图形等）。 作业 线性回归 局部加权线性回归 逻辑回归 高斯判别分析 朴素贝叶斯 SVM（使用Pegasos和libsvm） 决策树 神经网络 K均值 PCA +支持向量机 PyTorch中的神经网络 在PyTorch / Keras中的CNN

能够让你自学Logistic Regression 的参考书