BARK-ML-自动驾驶的机器学习 BARK-ML为多种情况提供了易于使用的环境，例如高速公路驾驶，合并和交叉路口。 此外，BARK-ML集成了最先进的机器学习库，以学习自动驾驶汽车的驾驶行为。 BARK-ML支持的机器学习库： （计划中） 体育馆环境 在运行示例之前，请安装虚拟python环境（ bash utils/install.sh ）并输入它（ source utils/dev_into.sh ）。 连续环境： bazel run //examples:continuous_env 可用环境： highway-v0 ：连续的高速公路环境 highway-v1 ：离散高速公路环境 merging-v0 ：持续合并环境 merging-v1 ：离散合并环境 intersection-v0 ：连续交集环境 intersection-v1 ：离散交集环境 特工 TF-Agent

Rabit：可靠的Allreduce和广播接口 Rabit的最新发展已转移到。 请参阅讨论。 rabit是一个轻量级的库，提供Allreduce和Broadcast的容错接口。 它旨在支持分布式机器学习程序的轻松实现，其中许多自然属于Allreduce抽象。 rabit的目标是支持可移植，可伸缩且可靠的分布式机器学习程序。 您也可以直接读取 Rabit是支持分布式XGBoost的骨干库之一 特征 所有这些功能都来自有关小兔子的事实：） 便携式：兔子重量轻，无处不在 Rabit是一个库而不是框架，程序只需要链接该库即可运行 Rabit仅依靠大多数框架提供的启动程序的机制 您可以使用相同的代码在许多平台上运行rabit程序，包括Yarn（Hadoop），MPI 可扩展且灵活：rabit运行速度快Rabit程序使用Allreduce进行通信，并且不会在MapReduce抽象的迭代之间承受

TomoSAR的机器学习-开发部门 关键字：TomoSAR，机器学习，特征工程，特征选择 概述 该项目的目的是比较层析成像SAR数据上不同机器学习算法的性能。 为了降低的尺寸并最终增加计算时间并消除任何噪音-断层图由许多描述性特征表示。 最后，应将所选机器学习算法在数据的不同特征表示上的性能（计算时间和分类准确性）与原始数据（断层图）的性能进行比较。

具有Keras联合学习和差分隐私功能的ECG信号分类，卷积神经网络实现 该存储库包含更高级版本。 它包括使用和库的联合学习和差分隐私实现，用于隐私保护机器学习。 该代码已在以下论文中使用，因此如果您想在自己的研究中使用它，请引用此代码。 @ARTICLE{Firouzi2020, author={F. {Firouzi} and B. {Farahani} and M. {Barzegari} and M. {Daneshmand}}, journal={IEEE Internet of Things Journal}, title={AI-Driven Data Monetization: The other Face of Data in IoT-based Smart and Connected Health}, year={2020}, volume={}, number={},

nlp 自然语言处理：中文分词，打标签，文章匹配相似度 打标签： extra_tags.py： 关键函数：extarct_tags ，通过help(jieba.analyse.extarct_tags) 查看 函数提示如下： withWeight：单词权重 allowPOS：单词性质，参看 withFlag： ====================================================== Help on method extract_tags in module jieba.analyse.tfidf: extract_tags(self, sentence, topK=20, withWeight=False, allowPOS=(), withFlag=False) method of jieba.analyse.tfidf.TFIDF instance

cvml 这个软件库包含了所有的课程“计算机视觉和机器学习的材料科学家”在中心DES MATERIAUX国立巴黎高等矿业学校22-26年2月举行的教程资料，2021年一个同伴网页可在

堆码 简述 主要的三类集成学习方法为装袋，提升和堆叠。目前，大型的数据挖掘比赛（如Kaggle），排名靠前的基本上都是集成机器学习模型或深度神经网络。 将训练好的所有基模型对整个训练集进行预测，第$ j $个基模型对第i个训练样本的预测值将作为新的训练集中第$ i $个样本的第$ j $个特征值，同理，预测的过程也要先经过所有基模型的预测形成新的测试集，最后再对测试集进行预测。 具体原理讲解参考，简单来说，集成学习其实都是将基本模型组合形成更优秀的模型，Stacking也不例外。stacking是各个算法训练全样本的结果再用一个元算法融合这些结果，它可以选择使用网格搜索和交叉验证。 Mlxtend框架 基本上，现代传统机器学习领域的库基本上被sciket-learn（sklearn）占领，如果你没有使用过sklearnlib，那就不能使用过机器学习算法进行数据挖掘。但是，自定义集成学习库依

机器学习C++源码解析-KNN算法-源码+数据

机器学习C++源码解析-线性回归linereg算法-源码+数据

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4