带有CSE-CIC-IDS-2018的指令检测系统 这是针对CIC-IDS-2018的具有随机森林算法的机器学习分析。 它仅使用“ Thursday-15-02-2018_TrafficForML_CICFlowMeter.csv”文件来分析DDoS攻击。 我将模型应用于通过Django和Django-Channels来利用sFlow的软件定义网络中的DDoS攻击。 在这里了解更多： : 信用：

Structured Learning Unified Framework Unified Framework – Object Detection Unified Framework - Summarization Unified Framework - Retrieval Structured Linear Model

coursera machine learning机器学习编程作业答案

糖尿病是由一系列代谢疾病引起的常见疾病，在这些疾病中，糖分期在延长期非常高。 它接触人体的各个器官，因此伤害身体的大量系统，确切地说是血液和神经。 此类疾病的早期预测可以准确并挽救人类生命。 为了实现这一目标，这项研究工作主要是使用机器学习技术发现与这种疾病相关的众多因素。 机器学习方法通​​过从糖尿病患者的诊断医学数据集中构建预测模型来提供有效的结果来提取知识。 从这些数据中获取知识对于预测糖尿病患者很有价值。 在本研究中，使用了六种流行的机器学习技术，即随机森林 (RF)、逻辑回归 (LR)、朴素贝叶斯 (NB)、C4.5 决策树 (DT)、K-最近邻 (KNN) 和支持向量比较机器 (SVM) 以获得出色的机器学习技术来预测糖尿病。 我们的新结果表明，与其他机器学习技术相比，支持向量机 (SVM) 实现了更高的准确性。

Multitask-Learning 多任务学习相关资料，主要包括代表性学者主页、论文、综述、幻灯片、论文集和开源代码。欢迎分享~ This repository collects Multitask-Learning related materials, mainly including the homepage of representative scholars, papers, surveys, slides, proceedings, and open-source projects. Welcome to share these materials! Something New!!! Homepage ML^2 @ UCF Elisa Ricci Gjorgji Strezoski Machine Learning with Interdependent and Non-ide

machine_learning 此仓库包含四个机器学习项目。 项目1 在这个项目中，我们根据大脑图像数据预测一个人的年龄。 在对数据执行了一些预处理（例如特征选择，缩放和消除多重共线性）之后，我们使用了一种堆栈技术来组合不同基础模型的输出，包括每个模型的各种实例以及不同的参数。 项目二 在此任务中，我们基于图像特征进行了疾病分类。 这项任务面临的挑战是如何应对训练数据中的高级失衡。 我们尝试了欠采样和过采样技术，但最终发现欠采样的结果更好。 对于过采样，我们尝试了合成少数过采样技术，对于欠采样，我们尝试了一些方法，包括随机欠采样，浓缩最近邻规则欠采样，近遗漏欠采样，tomek链接和单面选择，但是我们发现在以下方面效果最好的方法数据集是邻居清洁规则。 我们使用支持向量机作为最终模型。 专案3 在此任务中，我们将ECG信号分类为健康和不健康的心跳。 我们的模型是Catboost分类器。

CBDNet-火炬 CBDNet的非官方PyTorch实施。 更新 2021.04.02：该代码可能存在一些实现错误，请谨慎使用。 拉请求是受欢迎的。 2020.12.04：我们使用新的数据集训练了CBDNet模型。 PSNR（DND基准）：38.06-> 39.63。 快速开始 从下载数据集和预训练的模型。 将文件解压缩到data文件夹和save_model文件夹，如下所示： ~/ data/ SIDD_train/ ... (scene id) Syn_train/ ... (id) DND/ images_srgb/ ... (mat files) ... (mat files) save_model/ checkpoint.pth.tar 训练模型： python tr

matminer是一个用于在材料科学领域进行数据挖掘的库。 网站（包括文档）： : 范例： ： 帮助/支持： ： 资料来源： : 如果您喜欢matminer，也可以尝试使用 。 如果您发现matminer有用，请在您的研究中引用以下论文来鼓励其发展： Ward, L., Dunn, A., Faghaninia, A., Zimmermann, N. E. R., Bajaj, S., Wang, Q., Montoya, J. H., Chen, J., Bystrom, K., Dylla, M., Chard, K., Asta, M., Persson, K., Snyder, G. J., Foster, I., Jain, A., Matminer: An open source toolkit for materials data mining. Comput.

Machine learning is one of the fastest growing areas of computer science, with far-reaching applications. The aim of this textbook is to introduce machine learning, and the algorithmic paradigms it offers, in a principled way. The book provides a theoretical account of the fundamentals underlying machine learning and the mathematical derivations that transform these principles into practical algorithms. Following a presentation of the basics, the book covers a wide array of central topics unaddressed by previous textbooks. These include a discussion of the computational complexity of learning and the concepts of convexity and stability; important algorithmic paradigms including stochastic gradient descent, neural networks, and structured output learning; and emerging theoretical concepts such as the PAC-Bayes approach and compression-based bounds. Designed for advanced undergraduates or beginning graduates, the text makes the fundamentals and algorithms of machine learning accessible to students and non-expert readers in statistics, computer science, mathematics and engineering.

深珊瑚 PyTorch实施的“深层珊瑚：深层域适应的相关对齐”。 B Sun，K Saenko，ECCV 2016' 深度CORAL可以学习一种非线性变换，该变换可以对齐深度神经网络（Deep CORAL）中层激活的相关性。 我的实施结果（任务Amazon->网络摄像头）： 要求 的Python 3 PyTorch 0.2 用法 解压缩dataset/office31.tar.gz中的dataset/office31.tar.gz 运行python3 main.py