经典的机器学习的教材 高清 英文版 作者Christopher M. Bishop

Word2Vec_Twitter 关于 该存储库使用代码和， 。 此zip包含在Twitter数据上训练的word2vec模型，如以下所述： 戈丁，F.，Vandersmissen，B.，De Neve，W.，＆Van de Walle，R.（2015）。 多媒体实验室@ ACL W-NUT NER共享任务：使用分布式单词表示法为Twitter微博命名实体识别。 Anos用户生成的文本研讨会，ACL 2015。 免责声明 如果使用该模型，请引用本文。 该zip包含2个其他文件，可使用Python读取word2vec模型。 用于此目的的代码是从Gensim库中提取的，可以在以下位置找到：

问题生成：使用机器学习从文本生成多项选择题

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

自适应信号处理机器智能 该存储库用于存储2020-2021年伦敦帝国理工学院自适应信号处理和机器智能模块的最终报告和算法完成的所有工作。

Latte：对流神经网络（CNN）推理引擎 Latte是用C ++编写的卷积神经网络（CNN）推理引擎，并使用AVX对操作进行矢量化。 该引擎可在Windows 10（32位和64位），Linux（内核= 4.12.10，gcc = 7.2.0）和macOS Sierra上运行。 当使用ATLUS构建caffe时，它具有与NVIDIA Caffe相同的精度和相同的推理速度。 该引擎具有自己的网络文件格式（.ahsf文件），因此我们提供了一些python脚本，可将NVIDIA Caffe的文件转换为我们自己的文件。 引擎支持以下层： 输入层。 卷积层。 ReLU。 完全连接的层。 Softmax。 最大池化层。 sigmod。 丹妮 如何使用python脚本： 我们的python脚本是使用Python 2.7.13制作的，需要以下软件包才能正常工作： Pycaffe（在构

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

Net2Vis :check_mark_button: 自动网络可视化 :check_mark_button: 抽象级别 :check_mark_button: 统一设计 由 ， 和。 可访问。 这是什么？ Net2Vis从Keras代码自动为卷积神经网络生成抽象可视化。 这对我有什么帮助？ 当查看使用神经网络技术的出版物时，仍然很明显它们之间的区别。 它们大多数是手工制作的，因此缺乏统一的视觉语法。 手工制作这种可视化效果还会造成歧义和误解。 有了Net2Vis，这些问题就解决了。 它旨在提供抽象的网络可视化效果，同时仍提供有关各个层的常规信息。 我们在字形设计中反映了特征的数量以及张量的空间分辨率。 可以通过颜色识别图层类型。 由于这些网络可能变得相当复杂，因此我们增加了对层进行分组的可能性，从而通过替换公共层序列来压缩网络。 最好的是：一旦应用程序运行，您只需要将Keras代码粘贴到浏览器中，并根据该代码自动生成可视化。 您仍然可以调整可视化效果并创建抽象，然后再将其下载

pytorch-vsumm-reforce 此存储库包含AAAI'18论文的Pytorch实施-。 原始的Theano实现可以在找到。 主要要求是 （ v0.4.0 ）和python 2.7 。 和可能未安装在您的计算机中。 请安装其他缺少的依赖项。 开始吧 下载预处理的数据集 git clone https://github.com/KaiyangZhou/pytorch-vsumm-reinforce cd pytorch-vsumm-reinforce # download datasets.tar.gz (173.5MB) wget http://www.eecs.qmul.ac.uk/~kz303/vsumm-reinforce/datasets.tar.gz tar -xvzf datasets.tar.gz 分割 python create_split.py -d da

ALEX是ML增强的范围索引，其功能类似于B +树。 我们的实现几乎替代了std :: map或std :: multimap。 您可以在我们的SIGMOD 2020论文中了解有关ALEX的更多信息。 简介ALEX是ML增强的范围索引，其功能类似于B +树。 我们的实现几乎替代了std :: map或std :: multimap。 您可以在我们的SIGMOD 2020论文中了解有关ALEX的更多信息。 目录入门指南设计概述API文档入门指南ALEX可用作仅标头库。 所有相关的头文件均在src / core中找到。 在此存储库中，我们包含三个可以编译和运行的程序：