e-learning与知识管理概述.

3dgan-chainer 3D生成对抗网络的Chainer实现。 结果 一些好的样品产生了椅子。 （50纪元） python generate_samples.py result/trained_models/Generator_50epoch.npz 要求 链接器（2.0.1） 科学的 scikit图像 h5py pip install scipy scikit-image h5py 可选的 如果要绘制体素，则需要 。 截至2017年10月19日，未发行版本的matplotlib仅包含功能 matplotlib 2.1.0 + 323.ge6448bafc pip install git+https://github.com/matplotlib/matplotlib 数据集 我使用了ShapeNet-v2数据集。 培训脚本支持.binbox或.h5扩展名。 描述你的数据集路径DATASET_PATH在train.py 。 .binvox 只需在ShapeNet-v2中使用.binvox文件

AI游戏 use AI to play some games. You can star this repository to keep track of the project if it's helpful for you, thank you for your support. 内容 名称 实施算法的数量 码 用中文（表达 AISnake 2 AI贪吃蛇 车手 1个 AI俄罗斯方块 五子棋 1个 AI五子棋 AITRexRush 3 AIChrome浏览器小恐龙游戏 爱庞 1个 AI乒乓球 AIPianoTiles 1个 AI别再踩白块了 艾帕克曼 1个 AI吃豆人 AIFlappyBird 2 AI飞扬的小鸟 更多 微信公众号 查尔斯·皮卡丘

汽车价格预测-高度线性预测项目：一种线性回归模型，用于预测美国市场的汽车价格，以帮助新进入者了解美国汽车行业的重要定价变量。 高度全面的分析，详细说明所有步骤； 数据清理，探索，可视化，特征选择，模型构建，评估和MLR假设有效性

基于方面的情感分析 给定句子中的某个方面字词，预测该方面字词的情感标签 该项目的所有详细信息都可以在找到 MemNet代码是

具有手工特征设计的音频隐写分析（统计机器学习） 基于统计机器学习算法的音频隐写分析。 // @作者： @电子邮件： 希望我们能有一个愉快的沟通。 该项目是我们最近基于统计机器学习进行音频隐写分析的工作的实现，您还可以通过该平台设计自己的算法。 档案 ID 文件 功能 1个 应用 音频隐写分析和隐写发现 2 batch_script 所有批处理脚本，用于特征提取，培训，测试等 3 数据处理 用于QMDCT系数提取和数据集构建的工具 4 feature_extract 用于特征提取的脚本（ADOTP，MDI2，I2C，D2MA，JPBC，共存） 5 情节 图脚本 6 tra

眼网 机器学习算法框架（SVM + DNN）已在CompBio 2018的ICML-IJCAI研讨会上接受 EyeNet包含用于医学信息学和机器学习研究的机器学习模型和疾病标签 参考 如果您觉得这对您的工作有用，请考虑引用以下参考资料： @article{yang2018novel, title={A Novel Hybrid Machine Learning Model for Auto-Classification of Retinal Diseases}, author={Yang, C-H Huck and Huang, Jia-Hong and Liu, Fangyu and Chiu, Fang-Yi and Gao, Mengya and Lyu, Weifeng and Tegner, Jesper and others}, journal={arXiv

图像的均方误差的matlab代码将此gitlab存储库放在github上，这样我就可以使用它并根据需要对其进行修改 具有神经网络的超声B型成像 动机 在脉冲回波超声B模式成像中，根据介质的回声性（即“亮度”模式）重建图像。 用换能器阵列重建图像的标准方法是使用延迟和求和波束成形（DAS）：施加时间延迟以将信号聚焦在空间的某个点上，然后将复杂的阵列信号平均在一起并显示幅度。 DAS健壮且易于计算，并广泛用于医学超声成像中。 但是，大多数医学成像目标（例如，软组织）由弥散的，无法分辨的微观散射体组成。 在DAS的作用下，来自这些散射体的回波会随机组合以产生强的倍增噪声，称为斑点。 斑点导致图案具有高方差，并且仅在对多个斑点进行平均时才代表潜在的回声性。 我们认为，可以使用换能器阵列信号的模拟训练一个简单的全卷积神经网络来估计回声。 通过使用平均绝对误差（MAE），均方误差（MSE）和多尺度结构相似性（MS-SSIM）的与归一化无关的对数比例版本进行量化，该神经网络生成的超声图像比DAS具有更精确的回声性。指标。 描述 该存储库提供了从头开始训练B模式网络的代码，并包括了本文中使用的损失函数

LassoADMM：我们的论文“边缘计算中的协作回归学习的分布式ADMM方法”的源代码

SHAP（SHapley Additive exPlanations）是一种游戏理论方法，用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来（详细信息和引文，请参见）。 安装 Shap可以从或 安装： pip install shap or conda install -c conda-forge shap TreeExplainer的树集成示例（XGBoost / LightGBM / CatBoost / scikit-learn / pyspark模型） 尽管SHAP可以解释任何机器学习模型的输出，但我们已经为树集成方法开发了一种高速精确算法（请参见）。 XGBoost ， LightGBM ， CatBoost ， scikit-learn和pyspark树模型支持快速的C ++实现： import xgboost import shap # load JS visualization code to notebook shap . initjs () # train XGBoost model X , y