Matlab统计与机器学习工具箱官方用户指导，是mathwork公司出版的用于指导用户使用Matlab机器学习工具箱的官方文档，对于需要利用Matlab来进行机器学习的情况下，参考官方文档是很有帮助的，文档全英文，共有8000多页

MevonAI-语音情感识别 识别音频段中多个发言人的情绪· 在这里尝试演示 目录 说话人二值化 特征提取 CNN模型 训练模型 贡献 执照 致谢 常问问题 关于该项目 该项目的主要目的是识别呼叫音频中多个说话者的情绪，作为呼叫中心客户满意度反馈的应用程序。 建于 的Python 3.6.9 Tensorflow-Keras 解放军 入门 按照以下说明在本地计算机上设置项目。 安装 创建一个python虚拟环境 sudo apt install python3-venv mkdir mevonAI cd mevonAI python3 -m venv mevon-env source mevon-env/bin/activate 克隆仓库 git clone https://github.com/SuyashMore/MevonAI-Speech-Emotion-Recog

LabVIEW机器学习工具包

公平性：衡量R中的算法公平性 套餐概述 fairness R包提供了用于计算不同敏感组之间算法公平性度量的工具。 基于二元分类任务中的模型预测来计算度量。 该软件包还提供了机会来可视化和比较敏感群体之间的其他预测指标。 该软件包包含用于计算常用的公平机器学习指标的函数，例如： 人口平价 比例平价 均等赔率 预测汇率平价 此外，还实现了以下指标： 误报率平价 假负利率平价 精度平价 负预测价值平价 特异性均等 ROC AUC比较 MCC比较 提供了有关使用该软件包的全面教程。 我们建议您阅读本教程，因为与本自述文件相比，本教程包含对公平性软件包的更深入的描述。 您还会在公平找到一个简短的教程： vignette( ' fairness ' ) 安装 您可以通过运行以下命令从安装最新的稳定软件包版本： install.packages( ' fairness ' ) library(

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

mind：思维导图

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