Udacity深度强化学习纳米学位-项目3：合作与竞争 介绍 对于这个Udacity项目，我使用了一个DDPG代理来解决多代理协作环境。 在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或越界将球击中，则其收益为-0.01。 因此，每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。 该任务是情节性的，并且为了解决环境，您的特工必须获得+0.5的平均分数（在两个特工均取得最大分值之后，连续100次以上）。 具体来说， 在每个情节之后，我们将汇总每个代理商的奖励（不打折），以获得每个代理商的得分。 这将产生2个（可能不同）的分数。 然后，我们取这两个分数中的最大值。 这为每

GTSRB数据上的敌对攻击 我们的项目专注于创建在神经网络上产生对抗性攻击的算法，并测试在GTSRB数据集上训练的这些神经网络的强度。 在此项目的生命周期中，在三种不同的模型上创建并测试了四种技术。 在我们的第一种方法中，我们创建了一个随机模糊器，它将随机修改像素的RGB值，直到对图像进行错误分类为止。 对于第二种方法，我们在图像上应用了高斯滤波器，并检查了分类错误。 在第三种方法中，我们混合了两个相同类别的图像，然后对它们应用高斯滤波器。 对于第四个也是最后一个方法，我们实现了FGSM方法，该方法会根据图像的梯度添加噪声。

Logistic回归 该存储库专用于物流回归。 它的实现简单，带有真实数据集和阅读材料的编码示例。

排斥力 目前还没有稳定的结果，使用IOU过滤框有些麻烦正在进行中

信用卡筹办人

Diffusion

锆石

亚马逊美食评论 Amazon Fine Food Reviews数据集包含568,454条亚马逊用户截至2012年10月的食品评论。 该分析的目的是建立一个预测模型，在此模型中，我们将能够预测推荐是肯定的还是否定的。 在此分析中，我们将不关注分数，而仅关注建议的积极/消极情绪。 涉及程序 该项目是关于文本数据使用的情感分析 nltk库，其中包括PorterStemmer（）和word_tokenize（），可将非结构化文本数据更改为结构化文本 使用countvectorizer（将文本文档的集合转换为令牌计数矩阵），TfidfTransformer（以缩小在给定语料库中频繁出现的令牌的影响，因此，从经验上讲，其信息量少于一小部分的功能）来自sklearn库的训练语料库以进行特征提取 朴素的贝叶斯（MultinomialNB，BernoulliNB） 逻辑回归 使用roc曲线，confc

音乐流派分类 关于该项目 该项目旨在使用多种模型基于音频样本和不同的可视化技术对音乐流派进行分类，以理解数据。 该项目的灵感来自上的代码，该代码实现了K-Nearest Neighbor方法来解决此问题。 这是该项目的起点。 数据集： : 笔记本电脑 从音频样本中提取梅尔频率倒谱系数（MFCC）。 包括K-最近邻方法对流派进行分类（来自 ）。 比较了具有不同K值的模型的准确性。 使用颜色图可视化的梅尔频率倒谱系数，以更好地理解数据并获得关于MFCC的更直观的视角。 比较了不同类型的MFCC。 将MFCC均值和协方差矩阵特征转换为Pandas数据帧。 训练了逻辑回归模型以使用这些功能对音乐流派进行分类。 调整模型以通过增加正则化强度和随机化数据来防止过度拟合。 探索了使用PCA减少功能部件数量的影响。 使用Librosa从音频样本中提取梅尔频谱图。 这种非结构化数据对于卷积神经网

amazon_access 关于Amazon Employee Access Challenge的EDA和分类实践