很棒的决策树研究论文 精选的决策，分类和回归树研究论文清单，包括来自以下会议的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 关于，，，和论文的类似集合以及实现。 2020年 DTCA：可解释的索赔验证基于决策树的共同注意网络（ACL 2020） 吴连伟，袁Yuan，赵永强，梁浩，安布琳·纳齐尔 隐私保护梯度提升决策树（AAAI 2020） 李勤彬，吴兆敏，温则宜，何炳生 实用联合梯度提升决策树（AAAI 2020） 李勤彬，温则宜，何炳生 最优决策树的有效推断（AAAI 2020） 弗洛伦特·阿韦拉内达（Florent Avellaneda） 使用缓存分支和边界搜索学习最佳决策树（AAAI 2020） 盖尔·阿格林（Gael Aglin），齐格弗里德·尼森（Pierre） 决策树集合分类器的抽象解释（AAAI 2020） 弗朗切斯科·朗佐托（Marco Zanella） （多任务）梯度增强树的可扩展功能选择（AISTATS 2020） Cuize Han，Nikhil Rao，Daria Sorokina，Karthik Subbia

Deep Residual Learning for Image Recognition原版及翻译及笔记， 博客参考：https://blog.csdn.net/m0_46384757/article/details/125054695 resnet代码参考：https://download.csdn.net/download/m0_46384757/85503785

有各种各样的NLP问题可以用图结构最好地表达。基于图的深度学习技术(即图神经网络(GNNs))在建模非欧氏数据(如图)方面的巨大优势，为解决具有挑战性的图类NLP问题打开了一扇新的大门，并取得了巨大的成功。尽管取得了成功，但在图上的深度学习(DLG4NLP)仍然面临许多挑战(如自动图的构造、复杂图的图表示学习、复杂数据结构之间的映射学习)。 本教程将介绍深度学习技术在自然语言处理中的应用，包括自然语言处理的自动图构造、自然语言处理的图表示学习、自然语言处理的基于GNN的高级模型(如graph2seq和graph2tree)，以及GNN在各种自然语言处理任务中的应用(如机器翻译、图像处理和图像处理)。自然语言生成、信息提取和语义解析)。此外，还将包括实践演示会议，以帮助听众获得应用GNNs解决具有挑战性的NLP问题的实际经验——使用我们最近开发的开源库Graph4NLP，这是第一个为研究人员和实践者提供的用于各种NLP任务的轻松使用GNNs的库。

深度学习在 医学图像处理，病灶识别，药品开发等方面的应用； 实例是用python实现； 药品开发部分涉及到的lib 和model下载后配置好环境可以直接使用；

control-systems-and-reinforcement-learning.pdf 控制系统与强化学习.pdf

自我监督预测的好奇心驱动探索 在ICML 2017中 ， ， ，加州大学伯克利分校 这是我们基于ICLS 基于张量流的实现，该。 当来自环境的外部奖励稀疏时，想法是用内在的基于好奇心的动机（ICM）来培训代理商。 令人惊讶的是，即使环境中没有可用的奖励，您也可以使用ICM，在这种情况下，代理仅出于好奇而学会探索：“没有奖励的RL”。 如果您发现这项工作对您的研究有用，请引用： @inproceedings{pathakICMl17curiosity, Author = {Pathak, Deepak and Agrawal, Pulkit and Ef

Andrew Ng 机器学习课件，方便不能上外网的网友参考使用

Richard Sutton and Andrew Barto 的经典书籍《Reinforcement Learning- an introduction》。阅读本书是学习强化学习之路上不可避免的一环。而本书是经过两次修改2018年的最新版本。同时推荐youtube上面Alpha Go项目组David Silver的教学视屏，搭配学习，效果更佳哦~

角2-烧瓶 Backend Frontend 带有python烧瓶后端的简单angular2应用程序（用于学习angular2） Dockerized版本： 当前版本正在使用nginx提供静态文件。 在项目根目录中执行docker-compose up 导航到http://localhost:3000并使用admin:admin登录 信息 backend目录包含带有简单身份验证方法的烧瓶后端 front目录包含基于的angular2前端 用法 克隆仓库 git clone --depth 1 https://github.com/ansrivas/angular2-flask.git

PyTorch中的PeleeNet 该存储库包含用于“ ”的peleenet（在PyTorch中）。 从修改而成”。 接触 欢迎任何讨论或关注！ 引文 如果您发现本文对您的研究有用，请考虑引用： @article{wang2018pelee, title={Pelee: A Real-Time Object Detection System on Mobile Devices}, author={Wang, Robert J and Li, Xiang and Ao, Shuang and Ling, Charles X}, journal={arXiv preprint arXiv:1804.06882}, year={2018} }