AI Fairness 360（AIF360） AI Fairness 360工具包是一种可扩展的开放源代码库，包含由研究社区开发的技术，可帮助检测和减轻整个AI应用程序生命周期中机器学习模型的偏差。 AI Fairness 360软件包在Python和R中均可用。 AI Fairness 360软件包包括 用于数据集和模型以测试偏差的全面指标， 这些指标的说明，以及 减轻数据集和模型偏差的算法。 它旨在将实验室的算法研究转化为金融，人力资本管理，医疗保健和教育等广泛领域的实际实践。 我们邀请您使用它并进行改进。 对概念和功能进行了简要介绍。 这些提供了更深入的，面向数据科学家的介绍。 完整的API也可用。 作为一组全面的功能，弄清楚哪种度量标准和算法最适合给定用例可能会造成混淆。 为了提供帮助，我们创建了一些，可供参考。 我们在开发软件包时考虑了可扩展性。 该库仍在开发中。 我们鼓励您对指标，解释器和去偏置算法做出贡献。 与我们联系 （请）！ 支持的偏差缓解算法 优化的预处理（ ） 不同的冲击消除剂（ ） 均等几率后处理（ ） 重新称重（ ） 拒绝期权分类

液态状态机 (LSM) 是一种使用时间神经元进行计算的方法，与标准人工神经网络不同，它可用于直接对固有时间数据进行分类。 它也被提出作为某些大脑功能的自然模型。 通过这段代码，我们表明通常由 Maass 等人定义的液体状态机不能作为大脑功能的自然模型。 这是因为它们很容易受到模型部分故障的影响。 该代码通过指定某些类型的拓扑约束（例如“小世界假设”）解决了这个问题，这些拓扑约束被认为在生物学上是合理的，可以在这个意义上恢复 LSM 的鲁棒性。 有关更多详细分析，Hazan, H. 和 Manevitz, L.，液态机中的拓扑约束和鲁棒性，专家系统与应用，第 39 卷，第 2 期，第 1597-1606 页， //dx.doi.org/10.1016

statistical-machine-learning-lab 统计机器学习方法练习

ALS 推导详解

ml-恶意软件分类器 参考 Daniel Arp, Michael Spreitzenbarth, Malte Huebner, Hugo Gascon, and Konrad Rieck "Drebin: Efficient and Explainable Detection of Android Malware in Your Pocket", 21th Annual Network and Distributed System Security Symposium (NDSS), February 2014 原始文件可以在找到。 原始数据集可在找到。 用法 该代码位于code文件夹

欢迎使用GitHub 安装 sudo apt-get install python-setuptools python-numpy python-scipy python-matplotlib python-pip -y sudo pip install numpy scipy matplotlib scikit-learn luminol 设置日志 您必须提供日志文件的位置才能运行此程序。 以下是任何Web服务器的日志格式 “％d-％b-％Y％T ::::％a ::::％m ::::％s ::::％B ::::％D ::::％U ::: ：％r“ ％d是日期 ％b是月份 ％Y是年份 ％

随机傅立叶特征 该存储库提供Python模块rfflearn ，该模块是用于内核方法的随机傅立叶特征[1，2]的库，如支持向量机和高斯过程模型。 该模块的功能包括： 模块的接口非常接近 ， 支持向量分类器和高斯进程回归器/分类器，提供CPU / GPU训练和推理， 与接口，可更轻松地进行超参数调整， 该存储库提供了，该显示RFF对于实际的机器学习任务很有用。 现在，此模块支持以下方法： 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff

Learning A Bayesian and Optimization Perspective 英文原版书籍，高清带目录，非扫描版

| | Pyro是一个基于PyTorch的灵活，可扩展的深度概率编程库。 值得注意的是，它的设计考虑了以下原则： 通用：Pyro是通用PPL-它可以表示任何可计算的概率分布。 可扩展：与手写代码相比，Pyro可以以较小的开销扩展到大型数据集。 最小：Pyro是敏捷且可维护的。 它以功能强大且可组合的抽象的小核心实现。 灵活：Pyro的目标是在需要时实现自动化，在需要时进行控制。 这是通过高级抽象来表达生成模型和推理模型来完成的，同时使专家可以轻松访问以定制推理。 Pyro最初是由Uber AI开发的，现在由社区贡献者（包括的专门团队）积极维护。 在2019年，Pyro Linux Foundation的一个项目，这是一个在开源软件，开放标准，开放数据和开放硬件上进行协作的中立空间。 有关Pyro的高级动机的更多信息，请查看我们的。 有关其他博客文章，请查看Pyro中有关和工作。 正在安装 安装稳定的Pyro版本 使用pip安装： Pyro支持Python 3.6+。 pip install pyro-ppl 从源安装： git clone git@github.c

快速绘图草图分类器 使用Google的Quick Draw数据集训练卷积神经网络对新草图进行分类。 在演示模型。