本资源包含Pattern Recognition And Machine Learning的英文版和由马春鹏翻译的中文版。

带S-NET提取的MSMARCO（提取网） 的CNTK（Microsoft深度学习工具包）实现提取部分的并进行了一些修改。 该项目是为数据集设计的 代码结构基于 支持MSMARCO V1和V2！ 要求 这是一些培训和评估所需的库。 一般的 python3.6 cuda-9.0（需要CNTK） openmpi-1.10（需要CNTK） gcc> = 6（需要CNTK） Python 请参考requirements.txt 使用预先训练的模型进行评估 此存储库提供了经过预训练的模型和经过预处理的验证数据集以测试性能 请下载和经过，并将它们分别放在MSMARCO/data和MSMARCO根目录中，然后在正确的位置将其解压缩。 代码结构应该像 MSMARCO ├── data │   ├── elmo_embedding.bin │   ├── test.tsv │   ├── vo

派尔蒙 PyLMNN是用于在纯python中进行度量学习的算法的实现。 此实现紧密遵循在找到的Kilian Weinberger的原始MATLAB代码。 此版本解决了无限制的优化问题，并使用L-BFGS作为后端优化器找到了线性变换。 该软件包还可以使用出色的软件包通过贝叶斯优化找到LMNN的最佳超参数。 安装 该代码是在Ubuntu 16.04下的python 3.5中开发的，并且也在Ubuntu 18.04和python 3.6下进行了测试。 您可以使用以下命令克隆存储库： git clone https://github.com/johny-c/pylmnn.git 或通过pip安装它： pip3 install pylmnn 依存关系 numpy的> = 1.11.2 scipy> = 0.18.1 scikit_learn> = 0.18.1 可选依赖项 如果要使用超参

ML-MT-WebApp 这是我的本科学位课程的主要项目之一。 在这里，我开发了一种疾病预测网络应用程序，该应用程序使用机器学习的概念来预测各种疾病，例如疟疾，肺炎，糖尿病等。 下面是使用的各种模型文件的名称： 癌症模型=模型 糖尿病模型=模型1 心脏模型= model2 肝模型= model4 肾脏模型= model3 疟疾模型= model111.h5 肺炎模型= my_model.h5 用于训练深度学习模型的内核 疟疾核心模型： : 肺炎模型的核心-https: 用于模型开发的各种数据集的详细信息： 癌症：cancer.csv [在资源库中] 糖尿病：dialysis.csv [在资源库中] Heart ：heart.csv [在资源库中] 肝脏： : Patient- 肾脏： : 疟疾： : 疟疾 肺炎： ： //www.kaggle.c

OmniNet：用于多模式多任务学习的统一架构 OmniNet是用于多模式多任务学习的Transformer体系结构的统一和扩展版本。 单个OmniNet体系结构可以对几乎任何现实领域（文本，图像，视频）的多个输入进行编码，并能够跨多种任务进行异步多任务学习。 OmniNet体系结构包含多个称为神经外围设备的子网，用于将特定于域的输入编码为时空表示形式，并连接到称为中央神经处理器（CNP）的通用中央神经网络。 CNP实现了基于变压器的通用时空编码器和多任务解码器。 该存储库包含用于的官方Pytorch实施（Pramanik等）。 本文演示了OmniNet的一个实例，该实例经过联合训练以执行

Hands-On Machine Learning with Scikit-Learn and TensorFlow 机器学习手册 高清电子版 非扫描版

内容概要：MindAR一款js实现的前端ar库，支持图片跟踪和人脸跟踪，微信里可运行。 适合人群：访问github困难的同学。 搬运自：https://github.com/hiukim/mind-ar-js 注意事项：调用摄像头得用localhost或者https。

Radar Signal Processing Design and Implementation for Machine Learning

Machine Learning A Bayesian and Optimization Perspective.pdf

Application of FPGA to real-time machine learning - hardware reservoir computers and software image processing [Antonik, P.][Springer,][2018] This book lies at the interface of machine learning – a subfield of computer science that develops algorithms for challenging tasks such as shape or image recognition, where traditional algorithms fail – and photonics – the physical science of light, which underlies many of the optical communications technologies used in our information society. It provides a thorough introduction to reservoir computing and field-programmable gate arrays (FPGAs). Recently, photonic implementations of reservoir computing (a machine learning algorithm based on artificial neural networks) have made a breakthrough in optical computing possible. In this book, the author pushes the performance of these systems significantly beyond what was achieved before. By interfacing a photonic reservoir computer with a high-speed electronic device (an FPGA), the author successfully interacts with the reservoir computer in real time, allowing him to considerably expand its capabilities and range of possible applications. Furthermore, the author draws on his expertise in machine learning and FPGA programming to make progress on a very different problem, namely the real-time image analysis of optical coherence tomography for atherosclerotic arteries.