9.10 卷积网络的神经科学基础 卷积网络也许是生物学启发人工智能的 为成功的案例。虽然卷积网络也经过 许多其他领域的指导，但是神经网络的一些关键设计原则来自于神经科学。 卷积网络的历史始于神经科学实验，远早于相关计算模型的发展。为了确定关 于哺乳动物视觉系统如何工作的许多 基本的事实，神经生理学家 David Hubel 和 Torsten Wiesel 合作多年 (Hubel and Wiesel, 1959, 1962, 1968)。他们的成就 终获 得了诺贝尔奖。他们的发现对当代深度学习模型有 大影响的是基于记录猫的单个 神经元的活动。他们观察了猫的脑内神经元如何响应投影在猫前面屏幕上精确位置 的图像。他们的伟大发现是，处于视觉系统较为前面的神经元对非常特定的光模式 （例如精确定向的条纹）反应 强烈，但对其他模式几乎完全没有反应。 他们的工作有助于表征大脑功能的许多方面，这些方面超出了本书的范围。从 深度学习的角度来看，我们可以专注于简化的、草图形式的大脑功能视图。 在这个简化的视图中，我们关注被称为 V1 的大脑的一部分，也称为初级视觉 皮层（primary visual cortex）。V1 是大脑对视觉输入开始执行显著高级处理的第一 个区域。在该草图视图中，图像是由光到达眼睛并刺激视网膜（眼睛后部的光敏组 织）形成的。视网膜中的神经元对图像执行一些简单的预处理，但是基本不改变它 被表示的方式。然后图像通过视神经和称为外侧膝状核的脑部区域。这些解剖区域 的主要作用是仅仅将信号从眼睛传递到位于头后部的 V1。 卷积网络层被设计为描述 V1 的三个性质： 1. V1可以进行空间映射。它实际上具有二维结构来反映视网膜中的图像结构。例 如，到达视网膜下半部的光仅影响 V1 相应的一半。卷积网络通过用二维映射 定义特征的方式来描述该特性。 2. V1 包含许多简单细胞（simple cell）。简单细胞的活动在某种程度上可以概括

印第安手语识别 您好，该存储库包含用于识别印度手语（ISL）手势的python实现。 由于研究较少，因此网络上没有可用的标准数据集。 因此，我们决定创建自己的手势图像。 ISL数据集包含所有字母（AZ）和数字（1-9），总类别=35。每个类别具有1200张图像。 由于涉及两只手并且由于复杂性，ISL手势实际上很难识别。 为了对图像进行分类，已使用SVM实现了词袋（弓）模型。 70:30的比例已用于训练和测试拆分。 使用这种方法，模型可以提供大约99％的准确度，而错误率却非常低。 手势 数据集中使用的所有手势均在下图所示的带有标签的图像中。 必需的设置 python 2.7（不适用于较高版本，因为openCV不支持SURF功能） opencv-python的== 3.4.2.16 opencv-contrib-python == 3.4.2.16 麻木 盗用者 执行 该实现遵循以下几个

石头剪刀布视觉 使用实时摄像头让机器查看人的手，并使用卷积神经网络实时识别手（石头、纸或剪刀）的姿势。 系统要求 相机设备（例如笔记本电脑的内置网络摄像头） Python（3.6 或更高版本） Numpy（1.13.3 或更高版本） TensorFlow（1.8 或更高版本） 以下任一情况： PyGame（1.9.3 或更高版本） OpenCV（3.2.0 或更高版本） PyGame 与 OpenCV 要访问相机并在屏幕上显示 GUI 窗口，需要一个能够完成所有这些操作的库。 该项目目前支持 2 个库：PyGame 和 OpenCV。 任何一种都可以使用。 为了帮助您选择，这里是一个比较： OpenCV 优势： 适用于各种平台，包括 Linux 和 Windows。 OpenCV缺点： 作为一个成熟的计算机视觉库，它对于访问相机的小任务来说过于庞大和繁重。 轮子大小

摘要 生物医学数据收集的最新进展允许收集大量数据集，测量数千到数百万个单细胞中的数千个特征。这些数据有可能以以前不可能的分辨率推进我们对生物机制的理解。然而，了解这种规模和类型数据的方法很少。尽管神经网络在监督学习问题上取得了巨大进步，但要使它们对更难表示监督的数据中的发现成为有用，还有很多工作要做。神经网络的灵活性和表现力有时会成为这些监督较少的领域障碍，从生物医学数据中提取知识就是这种情况。在生物数据中更常见的一种先验知识以几何约束的形式出现。 在本文中，我们旨在利用这些几何知识来创建可扩展和可解释的模型来理解这些数据。将几何先验编码到神经网络和图模型中，使我们能够描述模型的解决方案，因为它们与图信号处理和最优传输领域相关。这些链接使我们能够理解和解释这种数据类型。我们将这项工作分为三个部分。第一个借用图信号处理的概念，通过约束和结构化架构来构建更具可解释性和性能的神经网络。第二个借鉴了最优传输理论，有效地进行异常检测和轨迹推断，并有理论保证。第三个研究如何比较基础流形上的分布，这可用于了解不同的扰动或条件之间的关系。为此，我们设计了一种基于联合细胞图上扩散的最佳传输的有效近似

Discover how to build machine learning algorithms, prepare data, and dig deep into data prediction techniques with R.

Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版

HKUST, Machine Learning notes, D.Y. Yeung。 香港科技大学，机器学习，研究生经典课件。

关于Interpretable Deep Learning under Fire这篇论文的演讲PPT和讲稿

RLBook资料集锦。 强化学习入门资料Algorithms for Reinforcement Learning。 强化学习导论和代码实例。 中文英文都有。

这是麻省理工的机器学习的教学课件，英文的，包括课件和习题，不知道传上去算不算侵权