学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

Multitask learning.pdf

情感文本转语音的深度学习 关于我们尝试使用深度学习方法进行情感文字转语音的摘要 内容 数据集 数据集 演讲人数 情绪化 话语数量 不重复提示数 期间 语言 评论 优点 缺点 24（12女，12男） 8（镇静，中立，快乐，悲伤，愤怒，恐惧，惊喜和恶心） 1440 2个 约1小时 英语 每个说话者都有4种表达中性情绪的声音，而8种说话则包含所有其他情绪的声音，因此每个说话者有60种言语 容易获得 包含的情绪很容易解释 话语非常有限 词汇不佳 用不同的声音说出相同的话 5（3男，2女） 5（中立，逗乐，生气困，厌恶） 6914（1568、1315、1293、1720、1018） 1150 约7小时 英文，法文（1名男性） 尝试大型语料库进行情感表达 逗乐的情绪包含非语言提示，例如咯咯笑等，这些提示不会显示在笔录中 同样，困倦也有打哈欠的声音。 我们免费提供的唯一大规模情感语料

强化学习(RL)通过与复杂环境的交互，推动机器学习从基础数据拟合到学习和规划的新时代。RL具有深度学习功能，在自动驾驶、推荐系统、无线通信、机器人、游戏等领域取得了巨大的成功。RL的成功很大程度上是基于RL算法的基础发展，直到最近才被彻底理解，特别是它们的有限时间收敛速度和样本复杂性。本教程将全面概述基础RL算法的理论理解的最新进展，利用随机近似/优化理论和利用RL问题的马尔可夫结构。本教程还将介绍一些高级的RL算法及其最近的发展。

机器学习 此存储库包含与使用 R 编程语言的营销和业务分析问题相关的项目。 机器学习可以显着提高营销绩效。 项目 1：营销活动优化 - 我们能否确定要定位的正确客户？ 第一个项目的目标是提高银行的活动营销响应率。 营销部门需要了解什么是重要的。 我们如何将资源分配给更有可能响应的客户。 这是一个经典的二元分类问题。 我们有转换或未转换的客户。 在这个项目中，我通过逻辑回归和决策树来预测营销响应率。 通过此模型的输出，营销部门可以获得与过去营销活动成功转化的客户相似的客户资料。 这是我要发送给营销部门的个人资料。 Marketing should contact customers with these characteristics: 1. marital status - single 2. education - tertiary 3. had respond

自适应交通信号灯控制（增强学习）（Q-learning）(代码 python ).zip

matlab 10折交叉验证知识代码简介：预测和可视化的结果位于“结果”文件夹下。 那些ML模型预测的是每条记录的位置，而html文件可视化的是车辆加速和访问的前10个位置。 这些html文件由Python脚本生成，将位置速度限制与汽车记录进行比较，并计算所有位置的频率。 原始数据集（位于文件夹“ 1-data-preprocessing”中）： linkinfo-copy.csv：包含传感器信息的excel文件 traffic-csv文件夹：该文件夹包括从04/2015到12/2016的所有流量记录 源代码： 1-data-preprocessing文件夹：该文件夹包括有关数据预处理的所有脚本（步骤1） 2-ml-model：包含所有机器学习脚本的文件夹（第2步） 3-可视化：该文件夹包括有关可视化的所有脚本（第3步） 补充材料： 纸文件夹：包含我用作参考的所有纸的文件夹 结果文件夹：该文件夹包含屏幕截图和ML预测和可视化结果的输出 ================================================== =========================

Abstract—Deep learning takes advantage of large datasets and computationally efficient training algorithms to outperform other approaches at various machine learning tasks. However, imperfections in the training phase of deep neural networks make them vulnerable to adversarial samples: inputs crafted by adversaries with the intent of causing deep neural networks to misclassify. In this work, we formalize the space of adversaries against deep neural networks (DNNs) and introduce a novel class of

CS50-AI项目 哈佛大学课程（课程。 专案 周 话题 名称 描述 怎么跑 视频 0 搜索 确定两个角色分开多少度 $ python degrees.py large 0 搜索 使用Minimax最佳玩井字游戏 $ python runner.py 1个 知识 解决逻辑难题 $ python puzzle.py 1个 知识 玩扫雷 $ python runner.py 2 不确定 按重要性对网页进行排名 $ python pagerank.py corpus0 2 不确定 评估一个人可能具有特定遗传特征的可能性 $ python heredity.py data/family0.cs

MuZero与Tensorflow中的AlphaZero 我们提供了基于流行的AlphaZero-General实施的AlphaZero和MuZero算法的可读性，注释性，充分记录的以及概念上容易实现的算法。 我们的实现将AlphaZero扩展为可用于单人游戏域，例如其后续产品MuZero。 该代码库提供了一个模块化框架来设计您自己的AlphaZero和MuZero模型，以及一个API来使这两种算法相互抵触。 该API还允许MuZero代理在与环境交互过程中更加强烈地依赖其学习的模型。 程序员可以例如指定在试验期间对所学的MuZero代理的观察稀疏性。 我们的界面还提供了足够的抽象来扩展MuZero或AlphaZero算法，以用于研究目的。 请注意，我们没有在桌游上进行广泛的测试，我们体验到这非常耗时且难以调整。 经过良好测试的环境包括“健身房”环境：CartPole-v1，Mount