SRC:基于稀疏表示的分类
2021-12-02 10:56:12 185KB JupyterNotebook
1
Facebook评论量预测 问题陈述-预测评论量的流量,或者只是预测发布后下一个H小时内预期收到一条Facebook帖子的评论数。 数据摘要-数据集 方式-1。 结论- 挑战-1。 未来工作范围-1。
2021-12-02 07:00:55 1.21MB JupyterNotebook
1
python-api-challenge 天气预报 概述, WeatherPy:运行代码,数据,分析报告,信息图 VacationPy 概述, VacationPy:运行代码,地图 使用的技术 天气预报 概述 WeatherPy在此示例中,您将创建一个Python脚本以可视化世界上距赤道不同距离的500多个城市的天气。 为此,您将利用一个简单的Python库,OpenWeatherMap API和一些常识来创建世界各地城市的代表性天气模型。 您的第一个要求是创建一系列散点图,以展示以下关系: 温度(F)与纬度 湿度(%)与纬度 多云(%)与纬度 风速(mph)与纬度 在每个情节之后添加一个句子或也解释什么是代码并进行分析。 您的第二个要求是对每个关系进行线性回归,仅这次将它们分为北半球(大于等于0度纬度)和南半球(小于0度纬度): 北半球-温度(F)与纬度 南半球-温度(F)与纬度
2021-12-01 22:42:38 4.63MB python api jupyter-gmaps JupyterNotebook
1
CIFAR-10 使用VGG-16,Resnet和Inception net,模型对CIFAR-10数据集的图像进行分类,以对不同的对象(例如汽车,狗等)进行分类。
2021-12-01 20:55:14 111KB JupyterNotebook
1
参考 纸: AttnGAN:使用注意生成对抗网络细化文本到图像生成 来自的代码: AttnGAN_Structure 有趣的DAMSM损失函数 就运行时间而言。 完成一批数据花费了超过1分钟的时间。 而且,批量大小为2。因此,绝对不是我的笔记本电脑的玩具。 简化版 一切 出于学习目的,该代码已被简化很多。 整个文本数据已被转储到一个腌制文件中。 而且,一行代码可以帮助您加载所有代码。 由于此实现仅用于学习结构,因此已删除了与部署相关的代码。 但是,这种简化损害了灵活性。 在这种结构中使用InfoGAN? (注意)
2021-12-01 19:46:42 2.45MB JupyterNotebook
1
自然灾害分类 这是一个kaggle竞赛,位于我试图使用distil bert生成句子嵌入以获得比给定教程更好的结果
2021-12-01 15:56:43 2KB JupyterNotebook
1
使用卷积神经网络从患者肺部CT扫描中检测癌性病变 2017年数据科学杯 问题 美国每年因肺癌造成的损失约为225,000人,每年造成的金钱损失为120亿美元。 副总统办公室在早期发现肺癌方面分配了特别的精力,因为这可以提高受害者的生存率。 根据Kaggle&'Booz,Allen,Hamilton'的要求,他们在Kaggle上举办了一项竞赛,旨在通过设计功能强大的机器学习算法来检测患者CT扫描中的恶性斑点和结节。 作为一个有趣的问题,我们(团队)决定提供各种方法来设计解决方案,因此决定解决Data Science Bowl 2017问题。 数据与预处理 比赛组织者提供了2类数据集。 第一类是一组不同患者的CT扫描图像。 数据集的第二方面涉及患者的一组标签。 每个患者的CT扫描图像的数量不是固定的,因此图像的数量是不同的。 由于贡献者提供的数据是患者CT扫描的DICOM文件,因此它涉及复杂
2021-12-01 15:46:37 3.22MB JupyterNotebook
1
超点火炬 该文件是对Superpoint模型的pytorch实现和评估,如。 我们在RémiPautrat的tensorflow实现中找到了很大的帮助: : 。 在兴趣点检测中,我们的模型似乎未完全收敛: 但是,同形加法与我们的模型相结合的结果看起来还是不错的: 与其他点检测模型进行比较: 与原始模型相比,总体结果未达到跟踪能力。 对于原始模型,匹配点是: 与我们的实施: 尽管总体结果不能令人满意,但是我们希望可以将不同的块(数据生成,单应性调整等)用于将来的工作。 该文件中包含实施的所有阶段: 1)生成综合数据集- 创建一个包含100000个人造合成形状图像的数据集,以及包含图像名称和标签的数据集文件。这部分在tesla v-100上大约需要12个小时 2)Magicpoint_training_with_synthetic_dataset- 如本文中所述训练魔
2021-12-01 15:34:41 43.62MB JupyterNotebook
1
PyTorch中的贝叶斯LSTM实现 灵感来自:Uber的时间序列的深度和自信预测(2007) 由于贝叶斯神经网络提供了可量化的不确定性和置信区间,因此与等效的频频方法不同,贝叶斯神经网络引起了人们的极大兴趣。 该存储库演示了PyTorch中的一种实现,并通过一个预测建筑能耗的真实示例总结了贝叶斯LSTM(长期短期记忆)网络的一些关键功能。 本示例中使用的Appliances能量预测数据集来自UCI机器学习存储库( ) 随附的笔记本直接从Google Colab共享。 结果,交互式可视化尚未转移到GitHub。 请单击“在Colab中打开”按钮或单击此处,以在Google Colab中查看笔记本: : //colab.research.google.com/drive/1pwMzsdRPwTO8oRVU0LwY9hs_z-ye67su
2021-12-01 15:19:51 27KB JupyterNotebook
1
Sentinel3-Altimetry-Level2处理 1.简介 该存储库是为雷达/ sar测高仪数据处理而构建的。 该存储库包含以下文件夹: ipynb:此仓库中内置的基本功能的测试代码。 结果:通过.ipynb文件处理结果。 test_data:包含在回购中测试的数据,例如测高仪数据,潮汐仪数据和卫星图像。 utils:.py文件,与此存储库中内置的处理功能相对应。
2021-12-01 14:33:05 8.71MB JupyterNotebook
1