在本文中，我们开始创建自定义对象检测模型的过程。

总共1000多页，很好的资料，着重讲DL4J。

机器学习的信息理论基础。 我移除了里面添加的链接等信息，可以直接打印成很干净的书。

Learning OpenCV 3 Computer Vision with Python(2nd) 英文epub 第2版 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Python Machine Learning Cookbook 英文azw3 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

清晰的中文pdf以及源码实例，原书第三版,orielly出版社

twitter_sentiment_bert_scikit Twitter美国航空数据集情感分析（情感分析），使用Bert句子编码作为特征，实现了SVM，XGBoost，RandomForest（随机森林）等多个分类算法，从而进行了交叉验证。 数据来自 预安装 我们在Python 3环境中运行该项目，建议您使用Anaconda 3通过以下脚本安装所需的软件包。 当然，您可以使用pip进行安装。 conda create -n tweet_sentiment -c anaconda python=3.7 numpy scikit-learn xgboost pandas tensorflo

eConf是一个开源利用Java开发的e-learning软件.它可以容易地记录web会议并可用于记录多台电脑上的科学课程。eConf是一个HTTP代理服务器的附件能够捕获在会议期间显示的Web页面并记录下发表人的声音，声音与web页面将被同步以便学生能够听到被记录的课程。eConf当前的版本是构建在W3C的Jigsaw代理服务器上，但也允许使用其它代理服务器。eConf需要java1.3以上的虚拟机与Java多媒体框架(JMF).

资源中包含三个PDF，分别是大牛整理的吴恩达机器学习视频课笔记完整版、深度学习笔记最新版以及吴恩达新书（Machine Learning Yearning）。三本书理论与实践结合，学习了机器学习算法后，Machine Learning Yearning将展示如何构建机器学习项目，使机器学习算法发挥作用。配合网易云吴恩达老师的视频一起食用效果更佳呦！