DuDoRNet Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1 Prior MRI图像重建的研究生周会论文阅读的PPT，共12页，15分钟的报告。

物体缺陷检测仪 细节 目标操作系统： Ubuntu * 18.04 LTS 程式语言： Python * 3.6 完成时间： 30分钟 此参考实现也。 它能做什么 物体探伤仪应用程序可检测异常，例如颜色，裂纹和在传送带上移动的物体的方向。 异常被标记为有缺陷，并分别保存在颜色，裂纹，方向文件夹中。 同样，没有缺陷的对象也保存在no_defect文件夹中。 这些异常数据将发送到InfluxDB *数据库，并在Grafana *上可视化。 此应用程序还以毫米为单位测量对象的长度和宽度。 要求 Ubuntu 18.04 英特尔:registered:OpenVINO:trade_mark:工具包2020 R3发行版 Grafana * v5.3.2 InfluxDB * v1.6.2 建立 安装OpenVINO:trade_mark:工具包的英特尔:registered:发行版 有关如何安装和设置英特尔:registered:OpenVINO:trade_mark:工具包的更多信息，请参阅英特尔:registered:OpenVIN

这项工作是通过制定非负稀疏信号恢复 (SSR) 问题和开发非负稀疏贝叶斯学习 (NNSBL) 算法来解决稀疏数组的源定位问题。 1.在'NNSBL.m'中给出了所提出的算法，在'Conven_SBL.m'中给出了传统的SBL算法以进行比较。 2. 'MRA_output.m' 用于生成阵列输出数据，'Peaksearch.m' 和'peak_find.m' 用于查找空间谱中的峰值位置。 3. 'Main_Simulation.m' 用于显示空间谱。 4. 'rmse_snr.m' 用于显示 DOA 估计与 SNR 的 RMSE。 5. 'rmse_snapshot.m' 用于显示 DOA 估计的 RMSE 与快照数量的关系。

狂热分析 fanalysis是用于三项BSD许可下分发的用于因子分析的Python模块。 借助此fanalysis软件包，您可以执行以下操作： 简单对应分析 多重对应分析 主成分分析 这些统计方法可以通过两种方式使用： 作为描述性方法（“数据挖掘方法”） 作为scikit学习管道中的简化方法（“机器学习方法”） 安装 依存关系 狂热分析要求： Python 3 NumPy >= 1.11.0 Matplotlib >= 2.0.0 Scikit-learn >= 0.18.0 Pandas >= 0.19.0 用户安装 您可以使用pip安装fanalysis： pip install fanalysis 运行测试 安装后，您可以从源目录外部启动测试套件： python -m unittest 单元测试的原理在于将狂热分析的输出（具有各种参数组合）与R FactoMine

OctoBot Octobot社区 描述 Octobot是一个功能强大的完全模块化的开源加密货币交易机器人。 该存储库包含漫游器的所有功能（交易工具，用户界面，服务等）。 包含了该机器人的策略。 要安装带有触角的OctoBot，只需使用，您的OctoBot就准备好了！ 您的Octobot OctoBot使用其配置和触手系统可高度自定义。 您可以使用无限的可能性（例如技术分析，社交媒体处理甚至是Google趋势等外部统计信息管理）来构建自己的机器人。 OctoBot支持AI ：Python是OctoBot的主要语言，可以轻松集成机器学习库（如或任何其他库），并利用所有可用数据并创建非常强大的交易策略。 Octobot的主要功能是演进：您可以，甚至想要构建理想的加密货币交易机器人的任何触手。 您甚至可以分享您的OctoBot演变！ 安装 OctoBot的安装非常简单...因为有据可查！ 有关更多信息，请参见 。 打开OctoBot-Binary 打开最新版本的“资产”面板 下载适用于您平台的OctoBot可执行文件 启动OctoBot 使用Docker进行自我托管： dock

减少机器学习的时间成本可以缩短模型训练的等待时间，加快模型更新周期。分布式机器学习使机器学习实践者能够将模型训练和推理时间缩短几个数量级。在本实用指南的帮助下，您将能够将您的Python开发知识应用到分布式机器学习的实现中，包括多节点机器学习系统。首先，您将探索分布式系统如何在机器学习领域工作，以及分布式机器学习如何应用于最先进的深度学习模型。随着学习的深入，您将看到如何使用分布式系统来增强机器学习模型训练和服务速度。在优化本地集群或云环境中的并行模型训练和服务管道之前，您还将掌握应用数据并行和模型并行方法。读完这本书，您将获得构建和部署高效数据处理管道所需的知识和技能，用于以分布式方式进行机器学习模型训练和推理。

帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition (2022最新版)

无线通信领域的快速发展和移动数据的高流量导致引入了一种称为深度学习（DL）的高级模型。 它已经在文献中提出，它是机器学习的一个子集。 这项技术被认为是移动数据流量管理的发展。 无线系统会生成大量异构数据，这些数据很难计算，因此为了控制这些数据，讨论了各种优化工具。 DL使无线通信更加智能和通用。 在此，总结了对DL平台的概述以及在无线通信中启用DL的不同技术。 无线网络中有不同的域，例如使用DL的网络，路由和调度。 本文讨论了所有这些领域。 讨论了进一步不同的优化技术和该领域的最新进展。

DHSI课程的课程资料-数字人文科学中的机器学习简介