【高清】这个版本只包含第一部分的前九章的内容，相比于第一版，增加了无监督学习等内容。

Practical Machine Learning Tools and Techniques（Wake教程，第四版）

人脸图像质量评估 2020年5月15日添加了SER-FIQ（CVPR2020）。 2020年5月18日在偏置FIQ（IJCB2020）溶液。 SER-FIQ：基于随机嵌入鲁棒性的人脸图像质量无监督估计 IEEE / CVF 2020年计算机视觉和模式识别会议（CVPR） 目录 抽象的 人脸图像质量是启用高性能人脸识别系统的重要因素。人脸质量评估旨在评估人脸图像是否适合识别。先前的工作提出了需要人工或人工标记质量值的监督解决方案。但是，这两种标记机制都容易出错，因为它们不依赖于清晰的质量定义，并且可能不知道所用面部识别系统的最佳特征。为避免使用不正确的质量标签，我们提出了一种基于任意人脸识别模型的新概念来测量人脸质量。通过确定从面部模型的随机子网络生成的嵌入变化，可以估算样本表示的鲁棒性，从而可以估计其质量。实验是在三个公共数据库的跨数据库评估环境中进行的。我们将我们提出的解决方案在两个

The Hundred-Page Machine Learning Book 原版英文书籍前3章；作者：Andriy Burkov

Computer Vision Principles, Algorithms, Applications, Learning。 Fifth Edition, 作者 E.R. Davies Royal Holloway, University of London, United Kingdom

机器学习Kreuzer-Skarke-Calabi-Yau三倍_Machine Learning Kreuzer--Skarke Calabi--Yau Threefolds.pdf

新闻推荐是个性化新闻服务的重要技术。与已被全面研究的产品和电影推荐相比，新闻推荐的研究要有限得多，这主要是由于缺乏高质量的基准数据集。 MIND Microsoft News Recommendation Dataset_datasets..txt MIND Microsoft News Recommendation Dataset_datasets..zip

包含模型选择、线性回归、非线性回归、分类问题、树算法、svm、非监督学习

深度学习4J 该存储库不再维护。 我建议您检出存储库：（ ），但是该存储库中列出的示例仍然可以使用。 如果遇到任何错误，请确保将DL4j版本更改为最新版本。 如果仍然出现，请随时在此处发布问题。 一个Java深度学习存储库，其中包含从头开始的基于DL4J的项目。 到目前为止包括的项目： 使用标准前馈网络预测客户损失 使用CNN进行动物分类 使用Java进行超参数调整 桑坦德价值预测Kaggle挑战 无论是否使用GPU，请确保根据您的方便切换pom.xml更改。 1.使用标准前馈网络预测客户损失 给定已定义的n个标签，获取客户离开银行的概率。 问题陈述来自超级数据科学团队的课程。 他们讨论了使用Keras实现的解决方案，而这是尝试使用Java来实现的解决方案。 DLJ4模型始终如一地提供85.5％的准确度，比Keras模型的83％的准确度要好。 文件链接： : 代码执行： 2.

机器学习的一本新书，更强的统计角度。而且本书提供matlab/python的toolbox，非常好用。