火炬 该存储库将用于跟踪我在python 3.8中对Pytorch的学习及其工具，并记录我所做的任何著名项目。 相关规格 Windows 10 戴尔Inspiron 7000 英伟达GTX 1050 水蟒4.9.0 Anaconda软件包名称 版本 雪花石膏 0.7.12 啊 0.26.2 氩气2-cffi 20.1.0 天体 2.4.2 async_generator 1.1 原子写入 1.4.0 属性 20.2.0 autopep8 1.5.4 巴别塔 2.8.0 回呼 0.2.0 加密 3.2.0 布拉斯 1个 漂白 3.2.1 纤毛状的 0.7.0 ca证书 2020.10.14 认证 2020.6.20 cffi 1.14.3 夏尔代 3.0.4 云雀 1.6.0 科罗拉多州 0.4.4 密码学 3.1.1 cudatool

图像中敏感数据曝光的检测 在当前的智能设备和智能手机时代，使用这些设备拍摄的任何图像都会立即自动上传到云（Google Photos，iCloud等）或互联网（社交媒体网站，如Facebook，Twitter等）。 并且有一个所有内容的存档，这些存档正在上传到Internet。 因此，必须对上传到Internet的内容保持谨慎。 不幸的是，人们有意或无意地上传了包含敏感数据的图像，例如： 用户名和密码 信用卡或支付卡信息（PCI） 个人身份信息（PII） 电子邮件地址 电话号码 社会安全号码 Aadhar数字 受保护的健康信息（PHI） 客户资料 学生资料 所有这些敏感信息可归为三类： 个人和私人信息 机密商业信息 分类信息 丢失，滥用，修改或未经授权访问敏感信息，可能会对个人的隐私或福利，企业的商业秘密乃至国家的安全和国际关系产生不利影响，具体取决于信息的敏感度和性质。 我们

Spotify人气 这个项目的目的是通过ML工具研究什么会推动单个歌曲的流行以及不同歌曲可能有什么共同点。 虽然音乐品味是主观的，但可以通过参考歌曲的属性（例如价，节奏和声学）来回答这些问题。 最终输出将包含两个模型：一个模型预测新版本的流行程度，另一个模型使人们能够创建更好的播放列表。 数据探索-初步概述

Kaggle数据集工作 我的项目正在处理各种Kaggle数据集 专案 从胸部X光照片进行肺炎分类（2021年2月12日-至今） 使用 看到当前和了解更多详情。 Spotify歌曲人气回归（2021年2月8日-2021年2月12日） 使用 经过训练的RandomForest，DNN，LinearRegression和LinearSVR可以预测歌曲的流行程度。 获得了12.300的RMSE错误，其准确度比猜测的平均受欢迎程度高近2倍。 见和了解更多详情。

Statistic-study-notes 李航统计学习方法（第二版）的学习笔记，包括： 1、每章重点数学公式的手动推导 均为手写然后扫描成图片，字迹不工整还望谅解，之后有时间会用Latex修正 点击数学公式没有出现图片的情况 需要搭梯子才可以在线预览到数学推导的图片... 3.1 无数学推导，偏重算法实现-KNN 5.1 无数学推导，偏重算法实现-决策树 6.1 最大熵模型的数学推导 6.2 拉格朗日对偶性问题的数学推导 6.3 改进的迭代尺度法数学推导 7.第七章数学公式推导 7.1 软间隔最大化对偶问题 7.2 证明最大间隔分离超平面存在唯一性 8.第八章数学公式推导 8.1 证明AdaBoost是前向分步加法算法的特例 8.2 证明AdaBoost的训练误差界 9.第九章数学公式推导 9.1 EM算法的导出 9.2 用EM算法估计高斯模混合模型 10.第十章数学公式推导 10.1

StartCraft II强化学习示例 该示例程序建立在 pysc2（Deepmind）[ ] 基线（OpenAI）[ ] s2client-proto（暴雪）[ ] Tensorflow 1.3（谷歌）[ ] 目前的例子 小地图 使用Deep Q Network收集矿物碎片 快速入门指南 1.获取PySC2 聚酰亚胺 获取PySC2的最简单方法是使用pip： $ pip install git+https://github.com/deepmind/pysc2 另外，您必须安装baselines库。 $ pip install git+https://github.com

Introduction TipDM建模平台，是由广东泰迪智能科技股份有限公司研发并开源的数据挖掘工具，TipDM建模平台提供数据丰富的数据预处理、 数据分析与数据挖掘组件，帮助广大中小企业快速建立数据挖掘工程，提升数据处理的效能。同时，我们也在积极 推动大数据挖掘社区建设，构建校企对接桥梁，为企业精准推送优质大数据挖掘人才；在产业需求的基础上推动高 校的人才培养工作。 Documentation Communication Features 基于Python，用于数据挖掘建模。 使用直观的拖放式图形界面构建数据挖掘工作流程，无需编程。 支持多种数据源，包括CSV文件和关系型数据库。 支持挖掘流程每个节点的结果在线预览。 提供5大类共40种算法组件，包括数据预处理、分类、聚类等数据挖掘算法。 支持新增/编辑算法组件，自定义程度高。 提供众多公开可用的数据挖掘示例工程，一键创建，快速运行。

设计自动售货机电路，要求如下： （1）待售物品价格1元、2元、3元、5元； （2）只接受1元、5元、10元币值； （3）机内存有1元零钱无限； （4）投入钱币之前认为售货机为空闲状态；投入钱币后需要按下物品标签吐出商品； （5）自动找零；

peter 教授的 machine learning the art and science 电子版。

感化器 受启发。 该宝石可以单独使用，也可以与rails应用集成。 Rails使用说明 使用bundler gem "sentimentalizer"安装gem 运行rails g sentimentalizer 。 这将生成一个带有after_initialize钩子的初始化文件。 基本上是在训练要在应用程序中使用的模型。 每当您启动服务器或运行任何rake命令时，它将运行，希望对此有所投入。 现在，您可以在require "sentimentalizer"之后运行以下命令 Sentimentalizer . analyze ( 'message or tweet or status