假新闻检测 该项目是我们硕士论文的一部分。 它是对用于假新闻检测的各种ML模型的比较研究。 团队成员 金舒克·穆克吉吉·普里亚达尔西·罗伊·阿里特罗·拉希特

DELG-Pytorch 统一深层本地和全局特征以进行图像搜索的Pytorch实现（ ） DELG pipline： 安装 安装Python依赖项： pip install -r requirements.txt 设置PYTHONPATH： export PYTHONPATH=`pwd`:$PYTHONPATH 训练 训练挖掘模型： python train_delg.py \ --cfg configs/metric/resnet_delg_8gpu.yaml \ OUT_DIR ./output \ PORT 12001 \ TRAIN.WEIGHTS path/to/pretrainedmodel 特征提取 提取多尺度的全局和局部特征 python tools/extractor.py --cfg configs/resnet_de

音乐流派分类 使用1D和2D卷积神经网络比较使用频谱图输入和原始音频输入的音乐流派分类。 在此实验中，仅使用每个音频的前20秒。 每个音频样本被分为2秒音频的10个部分。 先决条件 - Python 2 - Numpy - Matplotlib - Scikit-learn - Scikit-plot - Keras - Tensorflow - Kapre - Librosa - ffmpeg 数据集 乔治·扎纳塔基斯（George Tzanetakis）设定的音乐流派数据。 数据集包含1000个音轨，每个音轨长30秒。 它包含10个流派，每个流派由100首曲目代表。 结果（10个纪元） 混淆矩阵 ROC曲线 测试精度 带一维CNN的原始音频输入 0.31 一维CNN的频谱图输入 0.7372 二维CNN的频谱图输入 0.686 参考： Dieleman，Sander和B

车道线检测 该项目构建了一个计算机视觉（CV）应用程序，该应用程序可以从道路的图像和视频中检测车道线。 该存储库受到Udacity无人驾驶汽车工程师Nanodegree计划的Finding Lane Lines项目的启发。 该程序已使用了此存储库中使用的测试图像和视频。 <-这是一项正在进行中的工作---> 用于检测图像中的车道线的主要步骤是： 颜色转换为灰色 坎尼边缘检测 使用高斯模糊进行图像过滤 检测感兴趣区域（ROI） 线路检测 霍夫变换

成对-DeepFm python main.py

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

用于COVID19的CT扫描分类 Klasifikasi CT扫描untuk COVID-19 menggunakan卷积神经网络（CNN）

量子自动编码器：经典量子（变分）自动编码器的实现

GP学习 用法 python GPRegression.py --scale 1.0 --alpha 0.1 または， from GPRegression import load_data, train, test X_train, X_test, Y_train, Y_test = load_data() gpr = train(args.scale, args.alpha) RMSE = test(gpr)

CS131：计算机视觉基础和应用 该存储库包含2017年秋季版本的已发布作业， 是斯坦福大学的一门课程，由和教授。 作业涵盖了计算机视觉中的广泛主题，并且应使学生接触到广泛的概念和应用。 作业0通过介绍如何在python和numpy中使用图像的方式来设置课程。 它涵盖了基本的线性代数，将对整个课程有所帮助。 作业1通过理解卷积，线性系统和不同内核之类的概念以及如何设计它们以在图像中找到确定的信号来开始计算机视觉中的主题。 作业2着重于边缘检测，将其应用于车道检测以辅助自动驾驶汽车。 作业3引入了SIFT和RANSAC，它们可用于在多个图像中查找对应的点，从而启用诸如全景图创建之类的应用程序，这是我们大多数智能手机中的常见功能。 作业4超越了像素和边缘，从图像的更广阔的角度出发，并要求学生使用动态编程算法来定义图像中某些区域的能量。 这种能量定义使我们能够找到重要的区域，从而使大