Unsupervised Learning: Deep Auto-encoder Auto-encoder Deep Auto-encoder Auto-encoder – Text Retrieval Auto-encoder – Similar Image Search Auto-encoder for CNN CNN -Unpooling CNN - Deconvolution

FinBERT-QA：使用 BERT 回答金融问题 FinBERT-QA 是一个问答系统，用于从数据集的任务 2 中检索有金融段落。 请参阅获取更多信息。 该系统使用来自信息检索和自然语言处理的技术，首先使用 Lucene 工具包检索每个查询的前 50 个候选答案，然后使用预训练的模型的变新排列候选答案。 FinBERT-QA 从 Huggingface 的库构建并应用 Transfer and Adapt [ ] 方法，首先将预训练的 BERT 模型转移并微调到一般 QA 任务，然后使用 FiQA 数据集将该模型适应金融领域。 转移步骤在的数据集上使用微调的 BERT 模型 ，它从 TensorFlow 转换为 PyTorch 模型。 在三个排名评估指标（nDCG、MRR、Precision）上结果平均提高了约 20%。 Overview of the QA pipeline:

针对金融组合管理问题的深度强化学习框架 该存储库介绍了在哥伦比亚大学的背景下实现的项目中我们的工作。 这个深度政策网络强化学习项目是我们对原始论文实施和进一步研究 。 目标：问题是自动化投资组合管理的一个问题：给定一组股票，如何在一定数量的时间步长结束时最佳地通过时间分配资金以最大化回报。 通过这种方式，我们的目标是建立一个自动代理，以最佳地在不同股票之间分配其投资权重。 数据：姜等。 使用Poloniex交易所的13种加密货币。 他们考虑了每分钟的开盘价，最高价，最低价，收盘价（OHLC）。 它们使投资组合每30分钟重新平衡一次。 他们重新处理数据并基于最近的50个时间步创建张量。 我们使用每日数据和每日重新平衡的日内数据框架将实验扩展到股票市场。 该项目分为三个部分： 数据预处理 环境设置 深度政策网络设计 代理商的培训和测试 这些文件是： data_pipe.ipynb

voxelmorph：基于学习的图像注册 voxelmorph是一个通用库，用于基于学习的工具进行对齐/配准，更常见的是使用变形建模。 讲解 访问以了解VoxelMorph和基于学习的注册 使用说明 要使用VoxelMorph库，请克隆此存储库并安装setup.py列出的要求，或者直接使用pip安装。 pip install voxelmorph 训练 如果您想训练自己的模型，则可能需要针对自己的数据集和数据格式在voxelmorph/generators.py自定义一些数据加载代码。 但是，假设您有一个包含npz（numpy）格式的训练数据文件的目录，则可以开箱即用地运行许多示例脚本。 假

深度学习 通过深度强化学习制作简单的游戏AI简介 Keras和Gym中最小和简单的深度Q学习实现。 不到100行代码！ 博客文章包含dqn.py代码的说明。 为了方便起见，我对该存储库进行了一些细微的调整，例如load和save功能。 我还使memory成为双端队列，而不只是列表。 这是为了限制内存中元素的最大数量。 训练对于dqn.py可能是不稳定的。 ddqn.py减轻了此问题。 我将在下一篇文章中介绍ddqn 。

在用户生成的内容上使用2D CNN识别Twitter中的机器人帐户 Marco Polignano，Marco Giuseppe de Pinto，Pasquale Lops，Giovanni Semeraro ， ， ， 全文可在上 抽象 在网络上自动发布内容的帐户数量正在快速增长，遇到它们非常普遍，尤其是在社交网络上。 它们通常用于发布广告，虚假信息和用户可能会遇到的骗局。 这样的帐户称为bot，是机器人的缩写（又称社交bot或sybil帐户）。 为了支持最终用户确定社交网络帖子来自何方，机器人还是真实用户，至关重要的是自动准确地自动识别这些帐户并及时通知最终用户。

KelpNet：纯C＃机器学习框架 /* SampleCode */ FunctionStack nn = new FunctionStack ( new Convolution2D ( 1 , 32 , 5 , pad : 2 , name : " l1 Conv2D " ), new ReLU ( name : " l1 ReLU " ), new MaxPooling ( 2 , 2 , name : " l1 MaxPooling " ), new Convol

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a

Apress源代码 该存储库随附于 Hisham El-Amir和Mahmoud Hamdy的（Apress，2020年）。 使用绿色按钮将文件下载为zip格式，或使用Git将存储库克隆到您的计算机上。 发行版 版本v1.0对应于已出版书籍中的代码，没有更正或更新。 会费 请参阅文件Contributing.md，以获取有关如何为该存储库做出贡献的更多信息。

stockDL：用于股票价格预测和计算的深度学习库 复制粘贴不是您应该共享代码的方式。 特征 基于2种传统股票市场算法[买入，持有和移动平均]和2种深度学习算法[LSTM网络和Conv1D + LSTM网络]的单一股票交易和价格比较 以JSON格式返回结果，包括总总收益，年总收益，总净收益和年净收益。 此JSON结果可用于基于Web的价格预测。 考虑到印度的经纪人佣金和资本利得税[可以修改] 每次运行库时都进行动态模型训练，从而使模型不受上帝行为，大流行，突然亏损，股价上涨引起的异常股票市场变化的影响。 Yahoo Finance API的最新财务数据收集（从股票开始日期到当前数据）。 与Flask或另一个python后端轻松进行后端集成，以进行Web部署。 在带有4992 NVIDIA CUDA和24 GB VRAM的Tesla K80 GPU上，结果处理时间不到90秒。 比其