集群深度学习 实验室课程“计算机视觉和生物医学的深度学习”-TUM下的项目“用于集群的深度学习”的代码。 取决于numpy ， theano ，烤宽面条， scikit-learn ， matplotlib 。 贡献者 （主管） 相关论文： 该存储库是本文的实现：Elie Aljalbout，Vladimir Golkov，Yawar Siddiqui，Daniel Cremers“通过深度学习进行聚类：分类法和新方法” arxiv： ：//arxiv.org/abs/1801.07648 用法 使用主脚本来训练，可视化集群和/或报告集群指标 python main.py 选项 -d DATASET_NAME, --dataset DATASET_NAME (Required) Dataset on which autoencoder is to be tra

【伯克利干货】机器学习全面指南 CS189是加州大学伯克利分校的机器学习课程。在本指南中，我们创建了一个全面的课程指南，以便与学生和公众分享我们的知识，并希望吸引其他大学的学生对伯克利的机器学习课程的兴趣。本指南由cs189助教Soroush Nasiriany和Garrett Thomas于2017年秋季发起，并得到William Wang和Alex Yang的协助。

Applied Predictive Modeling.2013 机器学习，数据挖掘参考资料

简介此目录包含由Ultralytics LLC开发的PyTorch YOLOv3软件，可以根据GPL-3.0许可免费分发。 有关更多信息，请参见简介该目录包含Ultralytics LLC开发的PyTorch YOLOv3软件，可根据GPL-3.0许可免费重新分发。 有关更多信息，请访问https://www.ultralytics.com。 描述https://github.com/ultralytics/yolov3存储库包含PyTorch中YOLOv3的推断和培训代码。 该代码可在Linux，MacOS和Windows上运行。 默认情况下，对COCO数据集进行培训：https：//cocodataset.org/#home。 归功于Joseph Redmon的YO

Role2Vec ⠀ ⠀ 基于学习角色的图嵌入的可扩展并行gensim实现（IJCAI 2018） 。 抽象的 随机游走是许多现有网络嵌入方法的核心。 但是，这样的算法由于使用随机游走而具有许多局限性，例如，由于这些方法所产生的特征与顶点身份相关联，因此无法转移到新的节点和图上。 在这项工作中，我们介绍了Role2Vec框架，该框架使用了归因于随机游走的灵活概念，并为泛化现有方法（例如DeepWalk，node2vec和许多利用随机游走的其他方法）奠定了基础。 我们提出的框架使这些方法可以更广泛地应用于转导和归纳学习，以及在具有属性的图上使用（如果可用）。 这是通过学习泛化到新节点和图的功能来实现的。 我们表明，我们提出的框架是有效的，平均AUC改善了16.55％，同时所需的空间比各种图形上的现有方法平均少853倍。 二阶随机游走采样方法取自的参考实现。 该模型现在也可在包中找到。

e-learning的重要性与知识管理

Quantum Mechanics Helps in Learning for More Intelligent Robots

一个基于Web的工具，用于标记可用于训练dlib或其他对象检测器的对象的图像。 随着大多数用户切换到新版本的imglab，旧版本的imglab已被删除。 如果您想成为该项目/组织的维护者/合作者，请告诉我。 唯一的条件是您需要对任何用户反馈保持礼貌。 寻找互助/贡献者 产品特点 ImgLab是独立于平台的，可直接从浏览器运行，并且没有任何先决条件。 它需要最少的CPU和内存。 自动建议 外挂程式 不同形状 键盘快捷键： 放大/缩小： 其他功能： dlib用户特别注意。 您可以轻松调整零件/地标/特征点的顺序。 开源，永远免费。 您可以绘制特征点和形状（圆形，矩形，多边形）。 如果需要，将来会添加其他形状，例如椭圆，直线，曲线。 小项目文件，因此可以通过邮件共享。 以数据格式 支持多种格式 dlib XML dlib点 帕斯卡VOC 可可 Tensorflow（计划中） 其他生活质量功能： 拖动或调整任何注释形状的大小。 选择并删除任何注释形状或界标点。 通过上下拖动标签来按特定顺序排列地标点，而不是按特定顺序创建它们。 自动保存在浏览器缓存中。 导出以保存到

毫升矩阵 矩阵处理和计算库。 由维护 安装 $ npm install ml-matrix 用法 作为ES模块 import { Matrix } from 'ml-matrix' ; const matrix = Matrix . ones ( 5 , 5 ) ; 作为CommonJS模块 const { Matrix } = require ( 'ml-matrix' ) ; const matrix = Matrix . ones ( 5 , 5 ) ; 例子 标准作业 const { Matrix } = require ( 'ml-matrix' ) ; var A = new Matrix ( [ [ 1 , 1 ] , [ 2 , 2 ] ] ) ; var B = new Matrix ( [ [ 3 , 3 ] , [ 1 , 1 ] ] ) ; var C = ne

tensorflow-chatbot-中文 :person_running: [中文聊天机器人]具有bahdanau注意和Word2Vec预训练嵌入的seq2seq模型的Tensorflow实现 此基于撰写的。 如何 [选项1]重新训练模型 $ git clone https://github.com/AdrianHsu/tensorflow-chatbot-chinese.git # put your own training/eval data in the correct path, as shown above $ ./run.sh [选项2]使用预先训练的保护程序文件测试模型 您应该在下载经过预训练的模型，然后将其放入save/目录。 确保您的输入已经放置在正确的路径中，并且已通过文本分段API（例如jieba）进行了预处理。 $ ./hw2_seq2seq.sh 操作方法（网络） 您必须先下载冻结