wwu-ki_brainage 使用卷积神经网络（CNN）进行大脑年龄预测的教程 培训和评估是使用fastai_scans（ ）完成的，fastai是与3d医学图像配合使用的fastai扩展。 安装 1.）创建一个新的conda环境，安装Python 3.6并激活它 conda create -n wwuki_brainage python=3.6; conda activate wwuki_brainage 2.）在环境中安装pip conda install pip 3.）使用pip在该conda环境中安装软件包（将USER替换为您的用户名，将CONDA_DIR替换为.conda替换为Anaconda，将miniconda替换为miniconda）。 /home/USER/CONDA_DIR/envs/wwuki_brainage/bin/pip install git+git

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)