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

Malcom_TadGAN MALCOM（通信机器学习）课程的项目。 恢复TadGAN的工作（请参见论文TadGAN-使用GAN进行时间序列异常检测）。 在名为“ TadGAN-使用GAN进行时间序列异常检测”的ipynb文件中获取其代码。 “如何为生成对抗网络实现Wasserstein损失”文档，以了解什么是Wasserstein损失以及如何使用它。

使用OpenCV-CNN在网络摄像头上进行面部面具识别 该项目通过使用网络摄像头流式传输实时视频来检测带或不带口罩的人脸 该项目主要基于OpenCV和卷积神经网络

血细胞亚型分类 数据集-血细胞图像该数据集包含12,500幅血细胞增强图像，并带有伴随的细胞类型标签。 每种4种不同的细胞类型大约有3,000张图像，这些图像分为4个不同的文件夹（根据细胞类型）。 细胞类型是嗜酸性粒细胞，淋巴细胞，单核细胞和嗜中性粒细胞。 该数据集伴随着一个附加数据集，该数据集包含原始410张图像以及两个附加子类型标签，以及这些410张图像中每个图像的每个单元的边界框。 文件夹“ dataset2-master”包含2500张增强图像以及4个其他子类型标签。 型号汇总 上面的卷积神经网络将训练后的血细胞分为四类：嗜酸性粒细胞，单核细胞，淋巴细胞和嗜碱性粒细胞。 该模型具有6个卷积层，2个密集层，7个缺失和大约220K参数。 对于20个时期，它可提供80％和79％的精度。 精度增加 在以上模型中使用以下方法来提高准确性：卷积层数从2增加到6，这导致准确性显着提高。 减少了

cqf-项目 为满足CQF计划的要求而进行的项目。 这一篇使用高斯和“ t” copulas来定价篮子信用产品。 使用Python和少量R实现。

NYC_CitiBike_2019--Python数据_可视化

奥莱利书将于2021年初发行 AWS上的数据科学 车间介绍 在本研讨会中，我们建立了自然语言处理（NLP）模型，以使用最新的模型表示语言来对示例Twitter注释和客户支持电子邮件进行分类。 为了构建基于BERT的NLP模型，我们使用了，其中包含来自Amazon.com的150亿以上的客户评论，在1995年至2015年的20年期间。特别是，我们训练了一个分类器来预测star_rating （1是坏的，5是从良） review_body （自由形式评论文章）。 车间费用 该讲习班是免费的，但其他费用不到25美元。 车间介绍 工作坊之路 快速入门（多合一研讨会路径） 每个角色的其他车间路径 研讨会贡献者 车间说明 1.登录到AWS控制台 2.安装环境 S3 URL: http://dsoaws.s3.amazonaws.co

ESPCN-TensorFlow EPSCN的TensorFlow实现[1] [1] W. Shi等人，“使用高效的亚像素卷积神经网络进行实时单幅图像和视频超分辨率”，IEEE CVPR 2016。

最优库存分配 使用Python中的现代投资组合理论自动优化投资组合的资产权重和分配。

Deep_ESN_Pedrelli 该存储库包含以下论文中描述的DeepESN模型的实现： C. Gallicchio，A。Micheli，L。Pedrelli，“深度储层计算：关键实验分析”，神经计算，2017年，第1期。 268，第87-99页 它使用来自以下Luca Pedrelli的DeepESNpy Pyhon库的文件，这些文件经过修改可与本实验中的数据一起使用。 数据集 该研究的数据集可在以下位置找到： : 或者，在数据集文件夹中提供了一些小的示例集。 运行实验 可以使用以下文件运行以下实验： sweep.ipynb以运行参数扫描 single_model_full_traning.ipynb可以在更大的数据集上训练一个模型