知识推理背景场景基于逻辑的方法基于机器学习的方法基于神经网络的方法知识推理方法简介目前大部分的开放知识图谱，例如Freebase 、 DBpedia都是有人工或

mnist数据集的读取和训练过程，采用了两种办法，一种是cnn，一种是线性神经网络。将训练好的权重保存下来，用于移植到ZYNQ来实现手写数字识别。

matlab实现线性神经网络

机器学习与数据挖掘实验三：基于 Resnet，VGG，GoogLeNet的海面舰船图像分类，采用pytorch实现，包含数据集，三种网络实现图像分类源代码，gradcam可解释性分析代码。

CNN神经网络一维数据预测和二维图片分类，自己收集的资源，并加上了数据。

bp神经网络源代码＋数据集

图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。

糖尿病神经网络 使用Keras的神经网络可根据健康数据对糖尿病风险进行分类。

使用MATLAB软件进行神经网络分析的案例分析参考文档。

本资源源项目为PlotNeuralNet，我在使用源代码过程中遇到了一些问题，并且出于自己的需求进行了一些改进，修改后的代码可以在Windows系统下成功运行，可以绘制非正方形的网络结构图，且在我看来绘制结果更加美观。 资源适用于对展示卷积神经网络具体结构有需求的研究人员，用户在下载本项目后按照README官方教程中的Getting Started部分进行使用，简单学习过语法后便可以通过test_simple.py代码绘制自己的卷积神经网络结构并在同路径下生成PDF文件，官方还提供了LeNet, UNet等经典卷积神经网络的代码，用户可直接进行使用。