新闻大师 根据内容相关性在5个类别（热门故事，娱乐，技术，商业，健康）中获取最新新闻 项目发展 该项目是在Python-Django框架中开发的，您可以在documentation文件夹中阅读该项目的完整实现。 基本思想 从获取各种来源的新闻 使用朴素贝叶斯分类器对新闻进行分类（技术，娱乐，商业，健康） 根据新闻标题的内容对新闻进行分类并显示在Web浏览器上 内容选择因素： 文章年龄（出版日期） 源质量 文字品质 情感分数 机器学习算法 使用朴素贝叶斯实现训练模型，支持向量机和使用keras进行深度学习模型作为数据集，获得朴素贝叶斯分类器的最高准确性（0.89） 数据集

CondenseNet-PyTorch 的PyTorch实施 目录： 项目结构： ├── agents | └── condensenet.py # the main training agent ├── graphs | └── models | | └── condensenet.py | | └── denseblock.py | | └── layers.py | └── losses | | └── loss.py # contains cross entropy loss definition ├── datasets # contains all dataloaders for the project | └── cifar10.py # dataloader for cifar10 dataset ├── data | └── cifar10

Countless learning tasks require dealing with sequential data. Image captioning, speech synthesis, and music generation all require that a model produce outputs that are sequences. In other domains, such as time series prediction, video analysis, and musical information retrieval, a model must learn from inputs that are sequences. Interactive tasks, such as translat- ing natural language, engaging in dialogue, and controlling a robot, often demand both capabilities. Recurrent neural networks (RNNs) are connec- tionist models that capture the dynamics of sequences via cycles in the network of nodes.

该文件为深度学习与卷积神经网络的matlab程序，里面包含了卷积神经网络的代码、训练程序以及结合应用的相关程序，有全套注释，适合初学卷积神经网络与深度学习的伙伴.

卷积神经网络代码 Matlab deep-learning-test 深度学习导论课上的matlab实现卷积神经网络的代码，最后会有一个手写数字识别作业！

17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement 17 cvpr 代码

CSE523-机器学习-SSSR CSE523机器学习SSSR存储库包含使用KNN，ALS和SVD算法的电影推荐系统。 电影推荐系统 介绍 我们使用协作过滤制作了一个电影推荐系统，其中我们同时使用了基于内存的协作过滤和基于模型的协作过滤。 因此我们实施了3种算法 K近邻（KNN） 这是一种基于内存的聚类算法 交替最小二乘（ALS） 它是基于模型的矩阵分解算法 奇异值分解（SVD） 它是基于模型的矩阵分解算法 结果 参考 哈里森·奥尼尔（Onel）。 “具有K最近邻算法的机器学习基础。” 中等，迈向数据科学，2019年7月14日，通向datascience.com/machine-learning-basics-with-the-k-nearest-neighbors-algorithm-6a6e71d01761 Gupta，Meenu等。 “使用协作过滤的电影推荐系统。” 2020年电

人工智能 机器学习 入门必备的经典文章 包含Learnability, stability and uniform convergence，Learning_Theory_Estimates_via_Integral_Operators_and_Their_Approximations，Local Rademacher complexities，On regularization algorithms in learning theory，On the mathematical foundations of learning等十余篇经典文章，入门首选

SmartSim SmartSim使得在大规模数值模拟中更容易使用常见的机器学习（ML）库（例如PyTorch和TensorFlow）。 本质上，SmartSim提供了一个API，可将以Fortran，C，C ++和Python编写的HPC（MPI + X）仿真连接到名为Orchestrator的内存数据库中。 Orchestrator建立在Redis之上，Redis是一个用C编写的流行缓存数据库。仿真和数据库之间的这种连接是SmartSim的基本范例。 使用上述语言进行的仿真可以将数据流传输到Orchestrator，并使用Python将数据拉出以进行在线分析，可视化和培训。 此外，Orchestrator配备了ML推理运行时：PyTorch，TensorFlow和ONNX。 从模拟内部，用户可以存储和执行经过训练的模型并检索结果。 支持的ML库 SmartSim 0.3.0使用R

WaveGAN（v2）WaveGAN的官方实现，这是一种机器学习算法，用于学习生成原始音频波形。 更新（2/2/19）：为响应常见请求，我们对该存储库进行了重大改进。WaveGAN（v2）WaveGAN的正式实现，WaveGAN是一种机器学习算法，用于学习生成原始音频波形。 更新（2/2/19）：为响应常见请求，我们对该存储库进行了重大改进：添加了流数据加载器，使您可以在MP3 / WAV / OGGs / etc上训练WaveGAN。 无需预处理增强了训练WaveGAN的能力，能够生成更长的音频示例（在16kHz时长达4秒）增强了对任何音频采样率的支持增强了对mul的支持