深度学习用于元表面优化 使用深度学习以张量流/角点和约5600 Lumerical模拟作为训练数据来优化单元素超表面参数。 在垂直入射光下进行的模拟。 定义超表面的特征是1.长度（L）2.宽度（W）3.高度（H）4.x方向周期性（Ux）5. y方向周期性（Uy）。 输出是周围和整个可见光的相位光谱，增量为5 nm（450 nm-800 nm）。 对于PowerPoint，有动画，所以我建议在幻灯片放映模式下观看。 此仓库中发布的所有内容均已获得许可 我将在介绍这项工作。 背景 超表面用于多种应用以各种方式操纵光。 设计这些纳米结构的当前最先进的方法是相当中世纪的，并且依赖于蛮力策略。 也就是说，给定所需的输出，超颖表面参数的哪些组合可以为我们提供最接近所寻找值的值？ 为了回答这个问题，研究人员依靠仿真软件并执行了数千次参数扫描，希望他们找到最佳的组合。 在时间和计算能力方面，仿真的成本

scikit-survival：基于scikit-learn的生存分析

机器翻译

Automated Machine Learning for Recommendations：Fundamentals and

幽默语料库 网站的存储库 批注工具以及提取和分析脚本在存储库中可用。

Deep convolutional neural networks (CNNs) have been at the heart of spectacular advances in deep learning.

本书为，学习ros必备的一本书。本书是一部介绍机器人操作系统（机器人系统编程）的专业性读物。全书内容包括ROS基础知识，操作系统以及相关代码、模拟器安装，导航与路径规划，语音识别与合成，机器人视觉系统与视觉组合

Tensorflow 2 Keras的深度强化学习 注意：需要tensorflow == 2.1.0 它是什么？ keras-rl2在Python中实现了一些最先进的深度强化学习算法，并与深度学习库无缝集成。 此外， keras-rl2可以与一起使用。 这意味着评估和使用不同算法很容易。 当然，您可以根据自己的需要扩展keras-rl2 。 您可以使用内置的Keras回调和指标或定义自己的指标。 更重要的是，只需扩展一些简单的抽象类，即可轻松实现自己的环境甚至算法。 文档可。 包含什么？ 截止到今天，已经实现了以下算法： 深度Q学习（DQN） [1] ， [2] Double DQN [3] 深度确定性策略梯度（DDPG） [4] 连续DQN（CDQN或NAF） [6] 交叉熵方法（CEM） [7] ， [8] 决斗网络DQN（Dueling DQN） [9] 深层S

如何处理数据缺失值？INRIA研究员Gael 《机器学习缺失值处理》54页ppt教程，为你讲解一个关于机器学习的教程，以建立缺失值的预测模型。这教程涵盖了理论结果(统计学习)和实践建议，重点介绍了使用scikit-learn在Python中的实现

医学图像的计算机分析研究为改善病人的健康带来了许多希望。然而，一些系统性的挑战正在减缓该领域的进展，从数据的局限性(如偏差)到研究激励(如优化出版)。在这篇文章中，我们回顾了开发和评估方法的障碍。根据来自文献和数据挑战的证据，我们的分析表明，在每一步中，潜在的偏见都可能渗入。我们还积极地讨论了目前为解决这些问题所作的努力。最后，对今后如何进一步解决这些问题提出了建议。