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

Application of FPGA to Real‐Time Machine Learning Hardware Reservoir Computers and Software Image Processing 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

这项工作介绍了 [1] 中提出的 LCI-ELM 的新改进。 新的贡献集中在训练模型对更高维度的“时变”数据的适应性上。 使用C-MAPSS数据集对提出的算法进行了研究[2]。 PSO[3] 和 R-ELM[4] 训练规则被整合到了这个任务中。 拟议算法和用户指南的详细信息可在： https : //www.researchgate.net/publication/337945405_Dynamic_Adaptation_for_Length_Changeable_Weighted_Extreme_Learning_Machine [1] YX Wu、D. Liu 和 H. Jiang，“长度可变增量极限学习机”，J. Comput。 科学技术，卷。 32号3，第 630-643 页，2017 年。 [2] A. Saxena、M. Ieee、K. Goebel、D. Simon 和

Kaggle-EEG：使用机器学习从EEG数据中预测癫痫发作。 KaggleUni墨尔本癫痫发作预测比赛第三名

Enigma 1.xx - 3.xx Virtual Machine Unpacker v1.0.rar