机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

流网 在流量网络中查找最大流量的流量网络算法的Javascript实现 现场演示 用法 查找网络中的最大流量 // construct a network var fn = new FlowNetwork ( ) ; fn . addEdge ( 's' , 'o' , 3 ) ; fn . addEdge ( 's' , 'p' , 3 ) ; fn . addEdge ( 'o' , 'p' , 2 ) ; fn . addEdge ( 'o' , 'q' , 3 ) ; fn . addEdge ( 'p' , 'r' , 2 ) ; fn . addEdge ( 'r' , 't' , 3 ) ; fn . addEdge ( 'q' , 'r' , 4 ) ; fn . addEdge ( 'q' , 't' , 2 ) ; // find max fl

matlab信任模型代码此仓库的目的主要是托管此代码，这是我的毕业报告的一部分。 因此，对于那些试图理解其背后要点的人来说，这可能是不完整的。 如果您对浸油绝缘，电源变压器，分散控制感兴趣，请随时与我联系。 基于模型的优化框架在电力网络中的应用 在过去的几十年中，电力网络的先进老化，可再生能源利用的必然增加以及功耗的不断增加，要求改变当前的电力网络范式。 电气世界的利益相关者必须顺应形势，并提出更好地利用现有网络资源和新网络资源的方法。 持续的金融危机也使人们对新概念和明智机会大开眼界。 该项目的方法是在现有电力网络物理层之上创建一个现代化的自动化层，该层利用几种物理模型来解释网络组件当前和未来的预期健康状况。 借助此自动化层，网络运营商可以将网络配置为一个自我维持的系统，或者至少是更独立的，更具洞察力的系统。 网络健康状态的实时和预测可以用作潮流优化因素。 基于实际潮流数据的仿真表明，将热负荷分布在整个相邻的功率组件中会提高资源利用率，因为它降低了整个网络的加速老化因子，同时又将潮流特性保持在法定的完整性范围内。 已经表明，通过将此健康状况预测框架应用于IEEE-14总线网络并允许该

路由matlab仿真代码无线传感器网络区块链 创建无线传感器网络并使用随机泛洪路由技术来模拟数据传输。 进一步，减少能量并在每个节点上生成块以模拟数据交换。 在每个节点处生成块最终导致形成区块链，该区块链在目标节点处接收。 该模拟仅适用于STATIC节点。 该代码是用MATLAB编写的。

Hopfield-mnist 它包含两个python文件（mnist.py和hopfield4gif.py）。 mnist.py通过使用实现了一些获取和破坏的功能。 另一方面，hopfield4gif.py实现了训练和推断算法（即，外部产品构造和同步更新规则）。 给定训练数据（即MNIST手写数字）和偏差项，就可以确定Hopfield网络的所有参数，该网络从损坏的数据中重建训练数据。 主要功能输出由偏置项参数化的重建数据（80 png图像）的集合。 这些png图像用于制作由偏置项参数化的gif动画。

嗯 想学习蓝牙的来了 好好看那看 是肯定有帮助的 Bluetooth Network Encapsulation Protocol (BNEP) Specifica.pdf

Inception-ResNet-v2 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型在超过一百万张图像上进行了训练，共有 825 层，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 inceptionresnetv2.mlpkginstall 文件将启动您拥有的版本的安装过程。 用法示例： net = inceptionresnetv2() 网络层情节（净） % 读取图像进行分类I = imread('peppers.png'); ％将图片裁剪为网络的输入大小sz = net.Layers(1).InputSize I = I(1:sz(1), 1:sz(2), 1:sz(3)); % 使用 Inception-ResNet-v2 对图像进行分类标签 = 分类（净，我） % 显示图像和分

零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何： 建立一个可预测纽约市Airbnb价格的深度神经网络（使用scikit-learn和Keras） 建立一个REST API，根据模型预测价格（使用Flask和gunicorn） 在Google App Engine上将模型部署到生产环境 快速开始 要求： Python 3.7 Google Cloud Engine帐户 克隆此存储库： git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi

slow-fast network 何凯明最新论文源码，内含部分注释

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简