是一个库，可以使用不同的隐私训练PyTorch模型。 它支持在客户端上进行的代码更改最少的培训，对培训性能的影响很小，并允许客户端在线跟踪在任何给定时刻花费的隐私预算。 目标观众 此代码版本针对两个目标受众： ML从业者会发现这是培训差异性隐私模型的温和介绍，因为它需要最少的代码更改。 差异隐私科学家会发现这很容易尝试和修改，使他们能够专注于重要的事情。 安装 可以通过pip安装最新版本的Opacus： pip install opacus :warning_selector: 注意：这将带来最新版本的部门，它们在Cuda 10.2上。 如果您的环境使用的是较旧的Cuda版本（例如，Google Colab仍在Cuda 10.1上），则此方法将无效。 要在Colab上安装，请首先运行以下单元： pip install torchcsprng==0.1.3+cu101 -f https://download.pytorch.org/whl/torch_stable.html 然后，您可以像以前一样pip install opacus 。 在查看更多上下文。 您还可以直接从

实时物体检测应用 Web应用程序，用于通过Web浏览器对视频流进行实时对象检测。 安装 创建并激活虚拟环境，如下所示： $ cd cloned/directory/ $ python -m venv env $ env/Scripts/activate 安装并激活环境后，请安装所有依赖项： $ pip install -r requirements.txt 之后，您可以运行以下命令并在浏览器上以访问该应用程序。 $ python application.py 观察：该应用程序仅在Google Chrome上进行了测试。 下载型号 要下载yolov3.weights ，只需运行： $ cd models/ $ python dl-weights.py 用法 摄像头预览：启用和禁用网络摄像头预览。 运行检测模型：启用和禁用检测模型。 曝光：增加或减少相机曝光的按钮停止1。

同步机Salient_Pole SMSP

同步机凸极

布里萨帕蒂 :pushpin: 介绍 这是各种机器学习算法和实验的集合，通过遵循各种教程，文章博客等内容，这些知识已经在我这边实现了。 这些机器学习算法已在来自 ， 等的各种数据集上实现。 :check_mark: 资源 :collision: 笔记本和数据集 姓名 数据集 笔记本 亚马逊情绪分析 使用转移学习进行COVID-19检测 猫狗分类器 使用LSTM的聊天机器人 决策树 假新闻分类 性别预测 印地语字符识别 鸢尾花预测 K均值聚类 线性回归I 线性回归II 线性回归III 逻辑回归 MNIST时尚数据集 朴素贝叶斯 强化学习 葡萄酒数据集 时间序列分析 垃圾邮件检测 IMDB情绪分类 卫星影像分析

smote的matlab代码使用不平衡数据进行机器学习 - 代码库 2020 年 11 月出版 链接 目录 指标 精度的限制 精度、召回率、F-Measure 混淆矩阵 假阳性率和假阴性率 几何平均数 支配地位 不平衡精度指标 ROC-AUC 精确召回曲线 概率分布和校准 要优化的指标 欠采样方法 随机欠采样 浓缩最近邻 托梅克链接 单面选择 编辑最近的邻居 重复编辑最近邻 所有 KNN 邻里清洁规则 有惊无险 实例硬度阈值 过采样方法 随机过采样 ADASYN SMOTE BorderlineSMOTE KMeansSMOTE 斯莫腾 SVMSMOTE 过采样和欠采样方法 斯摩腾 SMOTETomek 集成方法 即将推出 成本敏感学习 成本类型 获取成本 误分类成本 贝叶斯风险 元成本 概率校准 概率校准曲线 Brier 分数 欠采样和过采样对概率校准的影响 成本敏感学习和概率校准 校准分类器

神经过程家族 主要入口： 。 什么 ？ 该存储库包含： 的文本 Pytorch代码（训练/绘图）以及预训练模型，以研究图像和合成一维数据集上的以下模型： 来自CNP 来自LNP AttnCNP和AttnLNP ConvCNP ConvLNP （“官方”）代码复制所有图像实验和带。 对于一维实验，请参见和 。 有关如何使用npf库的教程，请参阅NPF网站的“可 再现性”部分。 安装 点子 # clone repo pip install -r requirements.txt 请注意，skorch的版本必须为0.8，以确保可以正确上传预训练的模型。 码头工人 安装nvidia-docker 使用Dockerfile构建映像或使用Dockerfile docker pull yanndubs/npf:gpu 创建并运行一个容器，例如： docker run --

virtual dos共享所需文件,

图灵机 / ** 在图灵机（Alan Turing）在1936年发表的关于计算数的论文中进行了概念化 被设计为状态逻辑机，可以执行当今计算机可以进行的任何计算。 我的 代码旨在模拟TM使用读写头和 用来保存数据的磁带，可以是任何大小的磁带。 我在其中使用了四个符号 机器进行读取/写入：B，0、1和U。B标记磁带的最左侧，而B标记磁带的最左侧。 U代表数据的结尾。 之后，机器仅读取和解释二进制文件 使用任何状态逻辑表的数字。 对于状态逻辑本身，我开始 公共方法中的状态，该方法将根据值调用状态的私有方法 R / W磁头已读取。 没有值返回到驱动程序类； 只是一个布尔值 确定何时完成指定算法的过程。 * /

从机器学习视角学习因果推断的教材。