字符识别：使用机器学习算法（SVM，KNN）从图像中识别字符

IE598金融学机器学习，2018秋季，伊利诺伊大学香槟分校 马克最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰 型号概要： 探索性数据分析 预处理，特征提取，特征选择 模型拟合和评估，（您至少应拟合3种不同的机器学习模型） 超参数调整 组装 IE598金融学机器学习，2018年秋季最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰

STAT 479：机器学习（2019年秋季） 威斯康星大学麦迪逊分校的Sebastian Raschka教授的STAT 479：机器学习（FS 2019）课程材料 主题摘要（计划中） 以下是我计划涵盖的主题列表。 请注意，虽然这些主题是通过讲座进行编号的，但是请注意，有些讲座的长短比其他讲座短。 此外，如果您担心时间问题，我们可能会跳过某些主题，而转向其他主题。 虽然本节概述了可能涉及的潜在主题，但实际主题将在课程列出。 第一部分：简介 第二部分：计算基础 第三部分：基于树的方法 第四部分：评估 第五部分：降维

RMDL：RMDL：用于分类的随机多模型深度学习

A Versatile Camera Calibration Techniaue for High-Accuracy 3D Machine Vision Metrology Using Off-the-shelf TV Cameras and Lenses

PyTorch中的Seq2Seq 这是用于在训练序列到序列模型的完整套件。 它由几个模型和代码组成，可以训练和推断使用它们。 使用此代码，您可以训练： 神经机器翻译（NMT）模型 语言模型 图像到字幕的生成 跳过思维的句子表示 和更多... 安装 git clone --recursive https://github.com/eladhoffer/seq2seq.pytorch cd seq2seq.pytorch; python setup.py develop 楷模 当前可用的模型： 简单的Seq2Seq递归模型 带注意解码器的递归Seq2Seq （GNMT）递归模型 变形金刚-来自的仅关注模型 数据集 当前可用的数据集： WMT16 WMT17 OpenSubtitles 2016 COCO图片标题 可以使用3种可用的分割方法对所有数据集进行标记： 基于字符的细

NBA数据分析 签出已。 概要 传球：根据球员传球数据创建图表，随机游走以模拟前端完成的控球 职位：根据赛季统计数据使用KNearestNeighbors分类器将NBA球员分类为职位 风格：根据比赛类型的频率确定NBA球队和球员的风格 等级：使用高级统计数据的k-means聚类算法将NBA球员分为多个等级 数据 所有数据均摘自 入门 可以使用存储库目录中的pip install -r requirements.txt安装所有所需的库。 使用python setup.py install软件包。 除非您具有必需的数据库URI，否则将软件包config.py文件更改为具有data_source

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。

qscript：一种简单的脚本语言

斯坦福自动驾驶汽车守则 进入DARPA大挑战的汽车的斯坦福密码 斯坦福自动驾驶汽车的软件基础架构 参见 最初在Sourceforge上找到