Matlab集成的c代码高斯过程回归和分类工具箱 版本4.2。 对于GNU Octave 3.2.x和Matlab 7.x 版权所有（C）2015-2018-Carl Edward Rasmussen 版权所有（C）2015-2018-Hannes Nickisch 如何阅读 如果您想立即开始使用，请阅读下面的第1）节，并直接跳至doc / index.html中的示例。 关于这些计划 matlab程序的此集合实现并演示了在其中描述的一些算法 a）Rasmussen和Williams的书：“高斯机器学习过程”，麻省理工学院出版社，2006年 b）Nickisch和Rasmussen的文章：“二元高斯过程分类的近似”，JMLR 2008 c）Candela和Rasmussen的文章：“稀疏近似高斯过程回归的统一观点”，JMLR，2005年 d）Murray，Adams和Mackay撰写的论文：“椭圆切片采样”，AISTATS 2010 e）Neal的报告：“重要重要性抽样”，多伦多，1998年 f）Naish-Guzman和Holden的论文：“广义FITC近似”，NIPS，2007年

入院时预测住院时间 媒体故事： : 项目概况 预测分析是医疗保健领域越来越重要的工具，因为现代机器学习 (ML) 方法可以使用大量可用数据来预测患者的个人结果。 例如，机器学习预测可以帮助医疗保健提供者确定疾病的可能性、帮助诊断、推荐治疗和预测未来的健康状况。 对于这个项目，我选择关注医疗保健的后勤指标，即住院时间 (LOS)。 LOS 定义为入院和出院之间的时间，以天为单位。 该项目的目标是创建一个模型来预测每位患者入院时的住院时间。 该项目利用了数据库：“MIMIC 是由麻省理工学院计算生理学实验室开发的一个公开可用的数据集，包括与约 40,000 名重症监护患者相关的去识别化健康数据。它包括人口统计、生命体征、实验室测试、药物治疗， 和更多。” 结果总结 我使用默认设置拟合了五种不同的回归模型（来自 scikit-learn 库）并比较了 r 平方 (R2) 分数。 Gradi

SVM图像分类：使用`sklearn.svm`进行图像分类

pmdarima Pmdarima（最初为pyramid-arima ，表示“ py” +“ arima”）是一个统计库，旨在填补Python时间序列分析功能中的空白。 这包括： 相当于R的功能 平稳性和季节性统计检验的集合 时间序列实用程序，例如微分和逆微分 大量内生和外生的变形器和特征器，包括Box-Cox和Fourier转换 季节性时间序列分解 交叉验证实用程序 丰富的内置时间序列数据集，用于原型制作和示例 Scikit学习式管道可整合您的估算器并促进生产 Pmdarima在内部隐藏了 ，但设计时使用了熟悉scikit学习背景的用户熟悉的界面。 安装 Pmdarima在pypi上具有Windows，Mac和Linux（ manylinux ）的二进制和源发行版，软件包名称为pmdarima ，可以通过pip下载： $ pip install pmdarima 快速入门示例 在数据集上拟合一个简单的自动ARIMA： import pmdarima as pm from pmdarima . model_selection import train_test_split im

Python中的随机森林 归纳法 我开始这个项目是为了更好地了解和工作方式。 此时，分类器仅基于基尼系数，而回归模型基于均方误差。 分类器和回归模型都可以与和 例子 使用Scikit学习的基本分类示例： from randomforests import RandomForestClassifier import pandas as pd from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV from sklearn.pipeline impo

OpenAI体育馆的飞扬的小鸟 该存储库包含用于Flappy Bird游戏的OpenAI Gym环境的实现。 它基于的 。 当前，环境为代理提供以下观察参数： 鸟的y位置； 鸟的垂直速度； 到下一个管道的水平距离； 下一个管道的y位置。 将来，我还打算实现一个环境版本，该版本将提供代表游戏屏幕的图像作为观察结果。 安装 要安装flappy-bird-gym ，只需运行以下命令： $ pip install flappy-bird-gym 用法 像在其他gym环境中一样，使用flappy-bird-gym非常容易。 只需导入包并使用make函数创建环境。 看下面的示例代码： import time import flappy_bird_gym env = flappy_bird_gym.make("FlappyBird-v0") obs = env.reset() while

Machine-Learning机器学习笔记 回归分析Regression Analysis(LS,LASSO,RR,RLS,BR), 聚类Clustering(KNN, EM, Mean-shift) 数字分类Digits Classification

使用Python从头开始构建简单的聊天机器人（使用NLTK） 聊天机器人的历史可以追溯到1966年，当时Weizenbaum发明了一种名为ELIZA的计算机程序。 它仅从200行代码中模仿了心理治疗师的语言。 您仍然可以在这里与之交谈： 。 同样，让我们​​创建一个使用Python的NLTK库的非常基本的聊天机器人。这是一个非常简单的机器人，几乎没有任何认知技能，但是仍然是进入NLP并了解聊天机器人的好方法。 大纲 动机 这个项目的想法不是要创建具有出色认知技能的SOTA聊天机器人，而只是要利用和测试我的Python技能。这是我刚进入NLP领域并想到创建一个最初的项目之一一个简单的聊天机

算法决策和其他类型的人工智能 (AI) 可用于预测谁将犯罪、谁将成为好员工、谁将拖欠贷款。 然而，算法决策也可能威胁到人权，例如不受歧视的权利。 该论文评估了欧洲当前针对歧视性算法决策的法律保护。 该论文表明，非歧视法，特别是通过间接歧视的概念，禁止多种类型的算法歧视。 数据保护法也有助于保护人们免受歧视。 适当执行非歧视法和数据保护法有助于保护人民。 然而，该论文表明，当应用于人工智能时，这两种法律文书都存在严重的弱点。 该文件建议如何改进现行规则的执行。 该论文还探讨了是否需要额外的规则。 该论文主张采用特定于行业的规则，而不是通用规则，并概述了一种规范算法决策的方法。

PyTorch GAN :laptop:与 :laptop: = :red_heart: 此仓库包含各种GAN架构的PyTorch实现。目的是使初学者更容易开始玩和学习GAN。 我发现的所有存储库都掩盖了某些内容，例如将某些网络层中的偏向设置为False而没有解释为什么要做出某些设计决定。此仓库使每个设计决策透明。 目录 什么是GAN？ GAN最初是由Ian Goodfellow等人提出的。在一份名为“的开创性论文中。 甘斯是一个框架，2个模型（通常为神经网络），称为发电机（G）和鉴别器（d），玩游戏极大极小彼此抵靠。生成器正在尝试学习真实数据的分布，这是我们通常感兴趣的网络。在游戏中，生成器的目的是欺骗鉴别器“思考”它生成的数据是真实的。另一方面，鉴别器的目的是正确地区分生成的（伪）图像和来自某些数据集（例如MNIST）的真实图像。 设置 git clone https://github.com/gordicaleksa/py