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

Simd：使用以下SIMD的C ++图像处理和机器学习库：SSE，SSE2，SSE3，SSSE3，SSE4.1，SSE4.2，AVX，AVX2，AVX-512，VMX（Altivec）和VSX（Power7），NEON臂

( Pattern Recognition and Machine Learning(完整答案).pdf

本文讨论了使用机器学习进行恶意软件分类的方法，问题和解决方案。 可以相信，被释放的恶意软件的数量可能会超过权威软件的释放。 由于恶意软件每年都会变得越来越复杂，因此需要从传统方法转变为使系统自动学习。 这里的主要重点是研究机器学习方法以及它们的检测和分类问题。 说明了特征选择和高假阳性问题，并提出了解决方案。 然后将操作码，n-gram操作码，基于图像的分类技术进行比较。 这些方法将有助于清除恶意软件并将其分类到其家族中。 与常规操作码和基于图像的分类器相比，使用n-gram操作码分类时基于准确性的结果更好，但是使用集成方法结合了这两种方法的优点，例如，过拟合和FPR较低，最终结果显示出分类精度更高和提供总体上更好的恶意软件分类。

统计技术的创新引发了对跨种族和性别等类别的分布影响的担忧。 从理论上讲，随着统计技术的进步，分布结果取决于函数形式的变化如何与可观察特征的跨类别分布相互作用。 使用美国抵押贷款的详细管理数据，我们将传统 logit 和更复杂的机器学习违约预测模型的预测嵌入到一个简单的均衡信用模型中。 机器学习模型总体上略微增加了信贷供应，但增加了组间和组内的比率差异； 影响主要来自揭示默认值和可观察值之间结构关系的灵活性，而不是来自排除特征的三角测量。 我们预测黑人和西班牙裔借款人从新技术中获益的可能性要小得多。

新网银行的统计建模比赛，使用xgboost +lr模型融合，先用xgboost提取特征，再使用lr分类。