music_recommender

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001

无线电频谱+机器学习=无线电技术的新潮流：由机器学习（ML）技术驱动的当前人工智能浪潮席卷全球，这是有充分理由的。通过对数字化写作，口语单 词，图像，视频流和其他数字内容的充分培训，机器学习已成为语音识别，自动驾驶汽车和其他以前想象的功 能的基础。随着数十亿电话，设备，无人机，交通信号灯，安全系统，环境传感器和其他与无线电连接的设备 加在一起，迅速发展的物联网（IoT），现在有必要将ML应用于无线电的无形领域DARPA的微系统技术办公室 的程序经理Paul Tilghman说，射频（RF）信号。为了进一步解决这个问题，DARPA今天宣布了其新的射频机 器学习系统（RFMLS）计划。

anaGo anaGo是一个在Keras中实现的用于序列标记（NER，PoS标记等）的Python库。 anaGo可以解决序列标记的任务，例如命名实体识别（NER），词性标记（POS标记），语义anaGo anaGo是用于序列标记（NER，PoS标记等）的Python库，在Keras中实现。 anaGo可以解决序列标记任务，例如命名实体识别（NER），词性标记（POS标记），语义角色标记（SRL）等。 与传统的序列标签求解器不同，anaGo不需要定义任何语言相关的功能。 因此，我们可以轻松地将anaGo用于任何语言。 作为anaGo的示例，下图显示了英语的命名实体识别：

最近的研究预测，到2030年，交通事故将成为全球第五大死因。 由于驾驶员的精神状态、道路状况、天气状况、交通和违反交通规则等特征的复杂组合，如今很难确定交通事故的根本原因。 交通事故造成的死亡和驾驶员伤害的成本对社会产生了很大的影响。 如今，机器学习技术在道路事故领域的应用越来越受欢迎。 机器学习分类器的部署取代了传统的数据挖掘技术，以产生更高的结果和准确性。 这项工作对使用机器学习领域的与事故预测相关的各种现有工作进行了调查。

强化学习 您可以在此处找到强化学习 Matlab 中的项目。 TP1：策略评估、策略迭代、价值迭代、Q-learning TP2：多臂强盗，汤普森采样

从零开始的应用概率论 数据和幻灯片与在线网络研讨会系列一起提供：Data For Science的 。 在Binder中运行代码： 机器学习和人工智能的最新进展引起了计算机科学和数学这两个领域的极大关注和兴趣。 这些进步和发展中的大多数都依赖于随机模型和概率模型，需要对概率论以及如何将其应用于每种特定情况有深入的了解。 在本讲座中，我们将以动手和渐进的方式介绍概率论的理论基础以及诸如工业和学术界实际应用中常用的马尔可夫链，贝叶斯分析和A / B测试等最新应用。 时间表 基本定义和直觉 了解什么是概率 计算不同结果的可能性 根据特定的概率分布生成数字 根据样本估算种群数量 随机游走和马尔可夫链 模拟一维随机游走 了解网络上的随机游走 定义马尔可夫链 实施PageRank 贝叶斯统计 了解条件概率 派生贝叶斯定理 了解如何更新信仰 A / B测试 了解假设检验 测量p值 比较两个结果的可能

深度强化学习Q-Learning在协作认知无线电网络中的应用+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost