网络流量异常的检测和分类 实验基于 数据集的版本。 1.先决条件 1.1。 安装项目依赖项 不 姓名 版本 描述 1个 3.8.8 程式语言 2个 0.24.1 Python机器学习工具 3 1.19.5 Python科学计算工具 4 1.2.2 Python中的数据分析和数据处理工具 5 3.3.4 用Python可视化 6 0.11.1 统计数据可视化 7 5.8.0 跨平台库，用于检索Python中正在运行的进程和系统利用率（CPU，内存，磁盘，网络，传感器）的信息 8 0.3.7 可视化库 9 -- 用于模型序列化的Python对象序列化 1.2。 下载并提取数据集 下载的较轻版本（存档大小-8.8 GB） 较轻的版本仅包含带标签的流，而没有pcaps文件 提取档案（大小-大约44 GB） 2.安装项目 克隆此仓库 安装缺少的库 打开config.py并

fake_news_detection 使用Kaggle数据集检测假新闻的简单模型

The LION Way- Machine Learning plus Intelligent Optimization The LION Way- Machine Learning plus Intelligent Optimization The LION Way- Machine Learning plus Intelligent Optimization The LION Way- Machine Learning plus Intelligent Optimization The LION Way- Machine Learning plus Intelligent Optimization

机器学习（6.036） 我在MIT的整个课程中都使用了机器学习概念和代码段的样本。 该课程每周涵盖一个不同的主题，并在每个星期三进行有关该主题的实验。 在这里，我包括了这些实验室的编码部分。

Shiny_APP_RStiduo_Statistic_Probability_Machine_Learning 使用R的Shiny软件包为数据科学和机器学习操作创建基于交互式GUI的应用程序。 安装R Project进行统计计算 点击 安装RStudio 点击 Shiny v1.5.0文档 点击 目录结构 C：\ Users \ Desktop \ Shiny_APP> ls server.R ui.R .RData .RHistory数据集 实施技术 短裤 使用GUI导入数据 描述性分析功能 二项式概率模型 几何概率模型 泊松概率模型 决策树 简单线性回归 支持向量回归 执照 根据Apache许可版本2.0（“许可”）许可； 除非遵守许可，否则不得使用此文件。 您可以从获得许可证的副本。 除非适用法律要求或以书面形式同意，否则根据“许可”分发的软件将按“原样”分发，而

MobileNetV2-YOLOv3-Nano的暗网实现：移动终端设计的检测网络0.8BFlops！华为P40 6ms ！！！ MobileNetv2-YOLOv3-SPP暗网MobileNetv2-YOLOv3-SPP检测网络的暗网实现网络VOC mAP（0.5）解析推断时间（GTX2080ti）FLOPS权重大小MobileNetV2-YOLOv3-SPP 71.7 416 5ms 5.5BFlops 14.2 * emmmm ...这个懒得训练，mAP就凑合这样吧 在GTX1080ti上，MobileNetV2-YOLOv3-SPP的推理时间为100毫秒，而RTX2080的推理时间为5毫秒！！！ 移动推理框架基准测试（4 * AR

s3 vga driver for 16bit for virtual machine ms 2007 sp1

概率流 ProbFlow是一个Python软件包，用于使用或构建概率贝叶斯模型，对这些模型执行随机变异推理，并评估模型的推理。 它提供了用于构建贝叶斯神经网络的高级模块，以及用于构建定制贝叶斯模型的低级参数和分布。 这项工作仍在进行中。 Git存储库： : 文档： : 错误报告： ： 入门 ProbFlow使您可以快速轻松地构建，拟合和评估在和或之上运行的自定义贝叶斯模型（或模型！）。 使用ProbFlow，贝叶斯模型的核心构建块是参数和概率分布（当然还有输入数据）。 参数定义自变量（特征）如何预测因变量（目标）的概率分布。 例如，简单的贝叶斯线性回归 可以通过创建ProbFlow模型来构建。 这只是一个继承pf.Model （或pf.ContinuousModel或pf.CategoricalModel取决于目标类型）的类。 __init__方法设置参数，而__call

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

深度SARSA和深度Q学习-LunarLander-v2 环境 在这个项目中，我试图从OpenAI体育馆解决Lunar Lander环境。这是一个二维环境，其目的是教导登月舱模块安全地着陆在固定在点（0,0）的着陆垫上。该代理具有3个推进器：一个在模块的底部，另一个在模块的每一侧。因此，代理人在每个时间步长都有4种可能的动作可供选择：发射每个推进器或什么也不做。给予坐席的奖励取决于许多因素：发射底部推进器会产生-0.3的奖励，而发射侧面推进器会产生-0.03的奖励。如果探员安全地降落在着陆垫上，将获得+100分的奖励，此外，与地面接触的模块的每条腿都将获得+10分的奖励。当代理程序着陆或崩溃时，已达到终端状态。为了检测终端状态，可以提取一个状态向量，该状态向量指示代理的位置，其当前速度和环境着陆标志，以指示腿是否与地面接触。还可以提取代表环境中代理图片的RGB阵列。最后，要解决此问题并确定