一维神经网络回归 在这里，我提供了一个示例，其中神经网络用于预测一维回归模型。 这是每个文件的简短描述： MLPregressionLoss.m：使用反向传播算法计算梯度 MLPregressionPredict.m：预测一维回归模型。 nnet.m ：这是一个演示，展示了每 100 次迭代的随机梯度方法的进展。

论文Deep_Convolutional_Neural_Network_for_Inverse_Problems_in_Imagin

MATLAB用拟合出的代码绘图高频计量经济学： HAR与神经网络 （免责声明：高频计量经济学，高频数据处理，HAR，神经网络，袋装，交叉验证，贝叶斯合奏） 受Hillebrand＆Medeiros（2009）和Corsi（2009）的启发，我将神经网络置于高频环境中，并测试了两种模型（HAR＆Neural Networks）的性能。 -该项目中使用的数据是标准普尔500股股票2年内日内5分钟的实际波动价值（请参阅：Sheppard，Patton，Liu，2012年），已使用双变量分析和操作方法对其进行了仔细检查。 模型简介： HAR（异构自回归模型）： 该模型由Corsi在2009年开发，它基于一个简单的回归框架。 自变量分别是每日波动率分别滞后1、5和22天。 这是为了模拟昨天，一周前和大约一个月前的波动（仅考虑公开市场交易日）。 这种类型的模型也称为“长记忆”模型，因为它可以“记住” 22个市场日之前发生的情况。 它如何直观地发挥作用？：由于交易频率较高的交易者将其策略基于过去的长期波动性来预测未来，并相应地更改其策略，因此会造成短期波动性。 这种行为对交易频率较低的交易者没有影响

使用机器学习进行疾病诊断 医疗保健领域的机器学习模型。 乳腺癌检测-使用KNN和SVM 糖尿病发作检测-使用神经网络和网格搜索 角膜动脉疾病（心脏病）诊断-使用神经网络 自闭症谱系障碍（神经发育障碍）诊断-使用简单的神经网络 数据集从UCI机器学习存储库获得。

Training an artificial neural network with backpropagation algorithms to perform advanced machine learning tasks requires an extensive computational process. This paper proposes to implement the backpropagation algorithm optically for

在本文中，我们将ResNet模型转换为Core ML格式。

使用手写识别的计算器 这个项目是我面向对象编程课程的最后一个项目。 下面介绍该算法为显示包含数学方程式的输入图像的结果而采取的步骤。 1-图像分割 该程序对输入图像进行分段，仅提取所需的数字或运算符进行计算，然后将每个数字或运算符转换为28x28像素的小图像，这将作为神经网络的输入。 程序接受的数字范围是0-9 ，有效的操作是：加法，减法，乘法，除法，幂和使用括号。 2-分类 从算法的第一步中提取的缩略图被馈送到仅具有一个隐藏层的预训练神经网络，该神经网络的预测是S形激活的向量，每个描述输入的依存概率p（i）图像属于第（i）类。 3-计算结果 对每个分割的图像进行分类后，我们将此分类转换为相应的数字或运算符，并将其隐含为表达式字符串。 然后，我们将此字符串传递给基于堆栈的计算器以计算其结果。 然后使用简单的GUI将所有这些包装到JavaFX应用程序中。 将发布文档，以获取有关算法步骤以及

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

好玩有趣的算法

完善的机器学习：笔记，练习和Jupyter笔记本 在下面，您将找到补充第二版《机器学习精炼》（剑桥大学出版社出版）的一系列资源。 目录 小部件样本和我们的教学法 我们相信，只有对以下三个问题中的每一个回答都是肯定的，才能精通某种机器学习概念/主题。 Intuition你能用一个简单的图景描述这个想法吗？ Mathematical derivation您可以用数学符号表达直觉并推导基础模型/成本函数吗？ Implementation您可以在不使用高级库的情况下使用Python这样的编程语言对派生代码进行编码吗？ Intuition comes first. 直观的飞跃先于知识的飞跃，因此，我们在书中包括了300多种彩色插图，这些彩色插图经过精心设计，可以直观地掌握技术概念。 这些插图中的许多是动画的快照，这些动画显示了某些算法的收敛性，某些模型从不完全拟合到过度拟合的演变等。可以使用动画（与静态图形相对）来最好地说明和理解此类概念。 您可以在此存储库中找到大量这样的动画-您也可以通过这些注释的原始Jupyter笔记本版本来修改自己。 这里只是几个例子： 交叉验证（回归）