一个从开源项目 MLPrimitives 机器学习和数据科学的管道和原语。 文档： : Github： : 执照： 开发状态： 概述 此存储库包含 MLBlocks 库要使用的原始注释，以及必要的 Python 代码，以使其中一些与 MLBlocks API 要求完全兼容。 还有一组直接贡献给这个库的自定义原语，它们要么结合第三方工具，要么从头开始实现新功能。 我们为什么要创建这个库？ 在一个快速发展的领域中有太多的图书馆 构建机器学习应用程序的巨大社会需求 领域专业知识存在于多个地方（数学知识） 没有关于超参数、行为的文档化信息...... 安装 要求 MLPrimitives已在Python 3.6、3.7和3.8上进行开发和测试 此外，虽然不是严格要求，但强烈建议使用virtualenv以避免干扰运行MLPrimitives的系统中安装的其他软件。 使用

Time-series-forecasting-via-deep-reinforcement-learning

TensorFlow Machine Learning Cookbook2017最新版。有同学反应资源太多不知道从何看起，或者有点基础了想快速上手，TensorFlow Machine Learning Cookbook是一个比较好的教程，后内容作为参考。

coursera 上的吴恩达的机器学习课程，octave4.0.0版本提交作业时会提示提交失败，只要将每个作业文件下的lib文件替换成本资源提供的lib即可。

Draft, Second edition, in progress. Richard S. Sutton and Andrew G. Barto

matlab系统聚类代码Ng（斯坦福大学-Coursera）的机器学习课程资料 该代码在Matlab中实现，每个文件夹的内容显示如下： 第二周：线性回归 第三周：逻辑回归 第四周：多类分类和神经网络 第五周：神经网络学习 第六周：正则线性回归和偏差与方差 第7周：支持向量机 第8周： K均值聚类和主成分分析 第9周：异常检测和推荐系统

变压器-TTS Pytorch实现 与众所周知的saco2seq模型（如tacotron）相比，该模型的训练速度快约3至4倍，并且合成语音的质量几乎相同。 通过实验确认，每步花费约0.5秒。 我没有使用波网声码器，而是使用tacotron的CBHG模型学习了后网络，并使用griffin-lim算法将频谱图转换为原始波。 要求 安装python 3 安装pytorch == 0.4.0 安装要求： pip install -r requirements.txt 数据 我使用了LJSpeech数据集，该数据集由成对的文本脚本和wav文件组成。 完整的数据集（13,100对）可在下载。 我将和用作预处理代码。 预训练模型 您可以 下载预训练的模型（AR模型为160K，Postnet为100K） 在检查点/目录中找到预训练的模型。 注意图 约15k步后出现对角线对齐。 以下注意图以16

CS285 Deep Reinforcement Learning 2021 Lecture Slides UCL的深度强化学习课程的PPT

人工智能(AI)系统可以被定义为像人类一样理性思考和行动的系统(Bellman, 1978; Kurzweil et al., 1990; Schalkoff, 1991; Rich and Knight, 1992; Winston, 1992; Haugeland, 1997; Russell and Norvig, 2005)。虽然这个词在1956年著名的达特茅斯会议上被正式创造出来(McCarthy et al., 2006; Woo, 2014)，追溯到亚里士多德和柏拉图的哲学家都在考虑制定法则来管理大脑的理性部分。创造智能系统的想法激发了神话的灵感，比如塔洛斯的故事，神创造了一个巨大的青铜机器人，它携带着神秘的生命来源，守护着克里特岛(Shashkevich, 2019)。从那时起，心理学家、行为学家、认知科学家、语言学家和计算机科学家一直支持各种理解智能和开发人工智能系统的方法。 对当前机器学习系统的一个关键批评是，它们往往是数据饥渴的(Marcus, 2018;福特,2018)。以GPT-3模型(Brown et al.， 2020)为例，这是一个大规模的语言模型，使

[ACL 2020]对话式讲故事：地牢和龙的数据集的关键作用 总览 本文描述了《地牢与龙》的关键角色数据集（CRD3）及其相关分析。 关键角色（Critical Role）是一个无脚本的现场直播节目，固定人群在其中玩开放式角色扮演游戏《龙与地下城》。 该数据集是从159个关键角色情节中收集的，这些情节被转录为文本对话，包括398,682个回合。 它还包括从Fandom Wiki收集的相应抽象摘要。 该数据集在语言上是独一无二的，因为叙述完全是通过玩家的协作和口头互动来产生的。 对于每个对话，都有大量的转弯，详细程度各不相同的多个抽象摘要以及与先前对话的语义联系。 此外，我们提供了一种数据增强方