Python课程 欢迎来到此Python课程。 该“存储库”包含一组.ipynb文件（可通过Jupyter Notebook / Lab或直接通过github读取），以及图像和其他文件，旨在为从未进行过编程的人们学习Python语言。 请毫不犹豫地向我提出改进建议，并纠正可能出现的任何错误和错别字。 该作品是根据，这意味着您可以根据需要重复使用，修改和共享该作品，但是您需要确认作者，并以相同的许可重新分享您的作品，而不是商业使用它。 未经事先许可，本课程中包含的所有图像均已获许可复制。 除非另有说明，否则所有内容均取自Wikipedia（或wikimedia）。 级别1-编程基础知识和Python语言基础知识

ML带回家挑战 通过复制用Python编写的最佳答案来练习带回家的挑战问题

GAN生成面： Udacity深度学习纳米学位 使用GAN（生成对抗网络）生成新的面Kong图像。 如何运行： 安装点子 在命令行中通过pip安装jupyter笔记本：“ pip3 install jupyter” 克隆此仓库 进入终端中的这个仓库 在终端中运行“ jupyter笔记本”

lda2vec Moody的lda2vec的pytorch实现，这是一种使用词嵌入的主题建模方法。 原始论文： 。 警告：我个人认为使lda2vec算法起作用非常困难。 有时它找到几个主题，有时却找不到。 通常，找到的很多话题都是一团糟。 该算法易于产生较差的局部最小值。 它在很大程度上取决于初始主题分配的值。 对于我的结果，请参阅20newsgroups/explore_trained_model.ipynb 。 另请参见下面的实现详细信息。 失利 培训进行如下。 首先，将文档语料库转换为一组元组{(document id, word, the window around the word) | for each word in the corpus} {(document id, word, the window around the word) | for each word

霍克斯 一个用于Hawkes流程的仿真和推断（最大似然估计）的python程序包。 安装 pip install hawkes 教程 特征 该软件包提供以下内核功能： 指数函数 多个指数函数的总和 幂律函数 非参数函数 该软件包提供以下类别的基线强度： 恒定基线 分段恒定基线模型 分段线性基线模型 对数线性基线模型 自定义基线功能 接触 近江孝宏 takahiro.omi.em [at] gmail.com

Kaggle_Projects：在这里，我将存储在Kaggle上完成的所有项目

社会距离检测 作者：Gabriel Deza，Danial Hasan，Mengyu Yang（CSC420团队GDM） 社交距离检测管道，可从固定的摄像机镜头自动检测社交距离违例。 我们的方法考虑到了“社会泡沫”，其中由家庭，夫妇等组成的群体未被归类为侵犯行为。 数据集 购物中心和市中心数据集： : usp UCSD行人数据集： ： LSTN复旦-上海科技数据集： : 存储库中包括UCSD和LSTN数据集，但提供了链接以供参考。 牛津镇中心数据集太大，因此必须下载。 用法 完整的管道包括以下步骤： 1.目标检测此步骤包括使用对象检测模型从原始摄像机镜头中检测人。 此步骤的输出是每个帧中每个检测到的人周围的边界框。 2.跟踪（中心或光流） 一旦在视频的每个帧中检测到人，我们就会应用算法来跟踪每个唯一的人在连续帧之间的运动。 3.分组现在我们知道了每个人在整个视频

灾难鸣叫检测器 项目概况 该项目是Kaggle挑战。 在紧急时刻，Twitter已成为重要的沟通渠道。 由于Twitter提供近乎实时的信息，因此第一响应者越来越多地对其进行监视。 但是他们可能会面临困难，很难清楚地确定一个人是否正在宣布灾难。 使用包含隐喻的许多推文，这项任务可能很棘手。 我基于监督学习构建了一个解决方案，可以识别一条推文是否与真正的灾难有关。 这可以帮助紧急服务自动监视Twitter，以更好地检测灾难。 Github资料库 该存储库包含3个脚本： eda.y ：对“关键字”和“位置”特征的探索性分析，以分析与灾难发生的可能关联。 preprocessing.py ：一系列推文清洁和预处理 modelling.py ：推文矢量化（TF-IDF）和二进制分类模型（多项朴素贝叶斯） 探索性数据分析 我想弄清楚我们是否可以利用模型中的“位置”和“关键字”列。 关键字分

Python_COS 编码专家的准备

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着