图像的均方误差的matlab代码将此gitlab存储库放在github上，这样我就可以使用它并根据需要对其进行修改 具有神经网络的超声B型成像 动机 在脉冲回波超声B模式成像中，根据介质的回声性（即“亮度”模式）重建图像。 用换能器阵列重建图像的标准方法是使用延迟和求和波束成形（DAS）：施加时间延迟以将信号聚焦在空间的某个点上，然后将复杂的阵列信号平均在一起并显示幅度。 DAS健壮且易于计算，并广泛用于医学超声成像中。 但是，大多数医学成像目标（例如，软组织）由弥散的，无法分辨的微观散射体组成。 在DAS的作用下，来自这些散射体的回波会随机组合以产生强的倍增噪声，称为斑点。 斑点导致图案具有高方差，并且仅在对多个斑点进行平均时才代表潜在的回声性。 我们认为，可以使用换能器阵列信号的模拟训练一个简单的全卷积神经网络来估计回声。 通过使用平均绝对误差（MAE），均方误差（MSE）和多尺度结构相似性（MS-SSIM）的与归一化无关的对数比例版本进行量化，该神经网络生成的超声图像比DAS具有更精确的回声性。指标。 描述 该存储库提供了从头开始训练B模式网络的代码，并包括了本文中使用的损失函数

LassoADMM：我们的论文“边缘计算中的协作回归学习的分布式ADMM方法”的源代码

SHAP（SHapley Additive exPlanations）是一种游戏理论方法，用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来（详细信息和引文，请参见）。 安装 Shap可以从或 安装： pip install shap or conda install -c conda-forge shap TreeExplainer的树集成示例（XGBoost / LightGBM / CatBoost / scikit-learn / pyspark模型） 尽管SHAP可以解释任何机器学习模型的输出，但我们已经为树集成方法开发了一种高速精确算法（请参见）。 XGBoost ， LightGBM ， CatBoost ， scikit-learn和pyspark树模型支持快速的C ++实现： import xgboost import shap # load JS visualization code to notebook shap . initjs () # train XGBoost model X , y

机器学习工程师纳米学位 顶石项目 项目：预测库存移动方向 安装 此项目需要Python 3.6和已安装的以下Python库： 您还需要安装软件才能运行和执行 我们建议安装 ，这是一个预包装的Python发行版，其中包含该项目的大多数必需库和软件。 代码 该代码在Notebooks文件夹中提供。 由于大小限制，不包括CSV文件和Clfs文件夹（经过训练的分类器池）。 跑步 在终端或命令窗口中，导航到顶层项目目录Notebooks/ （包含此自述文件）并运行以下命令之一： ipython notebook {name of notebook file}.ipynb 或者 jupyter notebook {name of notebook file}.ipynb 这将在浏览器中打开iPython Notebook软件和项目文件。 数据 该数据集由Github上某个帖子的1分钟库存数据

人像卡通化（卡通照片） 中文版| 该项目为卡通肖像探索项目。您可使用微信扫描下方二维码或搜索“ AI卡通秀”小程序体验卡通化效果。 也可以前往我们的ai开放平台进行在线体验： ://ai.minivision.cn/#/coreability/cartoon 更新 2020.12.2 ：基于开源的paddlepaddle的项目 。 2020.12.1 ：增加onnx测试模型，详情请见 。 简介 人像卡通风格呈现的目标是，在保持原始图像ID信息和纹理细节的同时，将真实照片转换为卡通风格的非真实感图像。我们的思路是，从大量照片/卡通数据中习得照片到卡通一

在当今时代，检测和预测任何疾病非常重要，为什么要这样做，因为每个人都忙于日常生活，没有人关心自己的健康，也没有人遵循适当的饮食，这种鲁leads的行为会导致多种疾病。 在所有疾病中，心脏病是一种非常严重的疾病。 心脏病的主要原因之一是吸烟，饮酒和缺乏运动等。WHO（世界卫生组织）记录说，有3100万人死于CVD（心血管疾病）。 因此，有必要在心脏病发作之前对心脏病进行预测。 有大量来自医疗保健行业和医院的数据，但是像医生或医学专家这样的人却无法分析这些数据，因此机器学习可以分析大量数据并提供更好的结果。 过去几年的研究人员发现，机器学习在分析数据方面非常有效，因此我们提出了几种机器学习算法，例如人工神经网络（ANN），随机森林（RF），逻辑回归，K近邻（KNN） ），朴素贝叶斯（NB），支持向量机（SVM），决策树（DT）等来预测心脏病。 并且在本文中，我们获得了各种机器学习算法的结果，并进行了比较。

深度股票表示学习-从烛台图到投资决策 滑梯 参考 厉害的家伙： :

learning spark 中文翻译PDF版 高清

smote的matlab代码介绍 该项目实现了经典的机器学习算法（ML）。 这个项目的动机包括： 帮助机器学习大一新生对这个领域的基本算法和模型有更好更深入的理解。 在 ML 领域提供现实生活和商业执行方法。 由于这种情况，我的数学理论和编码能力保持新鲜。 概述 1.调频 1.1 fast_fm 展示如何使用“fast_fm”包对数据集进行分类。 1.2 fm_rewrite 遵循FM的理论，我们自己编写python脚本。 1.3 使用者： pip install fm_easy_run 。 2.xgboost 2.1 xgboost 展示如何使用“xgboost”包对数据集进行分类。 2.2 网格搜索 展示如何使用“gridsearch”包来选择“xgboost”算法的最佳参数。 3.N-gram 用 n-gram 代替朴素贝叶斯解决的面试问题。 4.Svd @博尔格： 4.1 linalg中的矩阵分解 4.2 矩阵分解与 RSVD 5.协同过滤推荐系统 @博尔格： 5.1 项目基础 5.2 用户基础 6.语义识别 @博尔格： 6.1 解霸流程 6.2 Tf-Idf 6.3 Bp 神

使用TensorFlow Cookbook进行机器学习 Packt出版的《使用TensorFlow Cookbook进行机器学习》。