NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《 （在接受）的PyTorch实现。 您可以从了解更多。 实施细节 该模型在上进行了训练，该包含大约255,500张图像。 你可以从得到它。 注意：数据集中可能存在一些损坏的图像，请在开始训练之前先将其删除。 该数据集分为229,981张图像用于训练，12,691张图像用于验证和12,818张图像用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，为此，我在验证集上损失了约0.072 EMD。 尚未在本文中尝试过其他两个选项（MobileNet和Inception-v2）。 非常欢迎您进行自己的扩展。 学习率设置与原始论文不同。 我似乎无法使用3e-7的转换底数和3e-6的密集区块的底线来使模型收敛于动量SGD。 另外，我没有做太多的超参数调整，因此您可能会获得更好的结果

Python极限学习机（ELM） Python极限学习机（ELM）是一种用于分类/回归任务的机器学习技术。 免费软件：BSD许可证 文档： : 。 特征 ELM内核 ELM随机神经元 ML工具

语音性别 语音和语音分析中的性别识别 阅读完整的。 该项目训练一种计算机程序，根据语音和语音的声学特性，将语音识别为男性还是女性。 该模型在包含3168个记录的语音样本的数据集中进行了训练，这些样本是从男性和女性说话者那里收集的。 语音样本在R中通过声学分析进行预处理，然后通过人工智能/机器学习算法进行处理，以学习特定于性别的特征，从而将语音分为男性或女性。 最好的模型在训练集上达到100％的精度，在测试集上达到89％的精度。 更新：通过将分析的频率范围缩小到0hz-280hz（），可以将最佳精度提高到100％/ 99％。 数据集 将预处理的下载为CSV文件。 CSV文件包含以下字段： “ meanfreq”，“ sd”，“ median”，“ Q25”，“ Q75”，“ IQR”，“ skew”，“ kurt”，“ sp.ent”，“ sfm”，“ mode”，“ centro

nsfw_data_scraper：脚本集合以聚集图像数据，目的是训练NSFW图像分类器

飞机延迟 使用机器学习模型预测航班延误 在这个存储库中，我开发了一个模型，旨在预测起飞时的航班延误。 从技术角度来看，贯穿整个 notebook 的 Python 的主要方面是： visualization: matplolib, seaborn, basemap data manipulation: pandas, numpy modeling: sklearn, scipy class definition: regression, figures 打扫 1.1日期和时间 1.2 填充因子 比较航空公司 2.1 航空公司基本统计说明 2.2 延误分布：建立航空公司排名 延误：起飞或降落 始发机场与延误的关系 4.1 航空公司覆盖的地理区域 4.2 始发机场如何影响延误 4.3通常延误的航班 延误的时间可变性 预测航班延误 6.1 模式一：一航一机场 6.1.1 Pitfalls

人脸识别是自1960年以来的一项创新性创新，并定期采用不同的真实应用程序来增强其策略。 为了增强人脸确认的执行，已经创建了许多计算和方法。 到目前为止，针对桌面应用程序的深度学习已进行了广泛的研究。 卷积神经网络可以与最终目标一起使用，以提取重要的面部高光。 这些亮点被允许以富有成效的方式考虑它们之间的外观。 该框架可以准备好感知个人的安排。 我们提供了可以利用此人脸识别创新进行生产的不同应用程序。 本文的目的是通过使用各种接近度估计（相似度指数），研究在各种障碍条件下利用图像进行的深度CNN设计在人脸识别中的实用性。

Machine_Learning_ECG A Project Using Machine Learning Method to Mining ECG Data 1.文件说明 rdata.m： matlab程序，用于解析从MIT-BIH下载得到的心电数据 注释.txt： 心脏疾病类型及其对应的数字/字母注释 wfdb.tar.gz： physioBank数据库的工具包，wfdb可用来帮助我们分析解读PhysioBank数据库中的数据；wfdb中包含的 rdann 可以用来读取并显示指定记录的注释文件

mne-python：MNE：Python中的磁脑图（MEG）和脑电图（EEG）

《中文机器阅读理解》教程，哈工大讯飞联合实验室主管研究员崔一鸣 机器阅读理解在英语数据集中得到了广泛的研究。同时，研究非英语数据集和模型也很重要，以便更全面地了解机器是如何理解人类语言的。在这次谈话中，我们将涉及三个主要的话题来处理非英语的MRC场景。首先，我们将谈谈在中文机器阅读理解领域所做的努力。接下来，我们将转向多语言和跨语言的MRC研究，介绍我们的一系列工作，讨论这些技术如何提高中文和其他语言的MRC系统性能。最后，我们将尝试以多语言的方式分析MRC模型，并以新的基准和方法在可解释的MRC中展示我们的努力。

mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :