机器学习教材（香港科技大学机器学习课采用） 课程相关ppt可以从这里获取：https://www.cmpe.boun.edu.tr/~ethem/i2ml3e/

轨迹预测 使用机器学习算法（例如lstm，seq2seq等）预测船只轨迹的python框架。

keras-inception-resnet-v2 使用Keras的Inception-ResNet v2模型（带有权重文件） 在python 3.6下使用tensorflow-gpu==1.15.3和Keras==2.2.5进行了测试（尽管存在很多弃用警告，因为此代码是在TF 1.15之前编写的）。 层和命名遵循TF-slim的实现： : 消息 该实现已合并到keras.applications模块中！ 在GitHub上安装最新版本的Keras并使用以下命令导入： from keras . applications . inception_resnet_v2 import InceptionResNetV2 , preprocess_input 用法 基本上与keras.applications.InceptionV3模型相同。 from inception_resnet

黄砖 可视化分析和诊断工具，有助于机器学习模型的选择。 什么是黄砖？ Yellowbrick是一套称为“ Visualizers”的视觉诊断工具，可扩展scikit-learn API以允许人工操纵模型选择过程。 简而言之，Yellowbrick按照scikit-learn文档的最佳传统将scikit-learn与matplotlib结合在一起，但可以为您的机器学习工作流程提供可视化效果！ 有关Yellowbrick API的完整文档，可用可视化工具的库，提供者的指南，教程和教学资源，常见问题等等，请访问我们的文档，为 。 安装Yellowbrick Yellowbrick与Python 3.4或更高版本兼容，还取决于scikit-learn和matplotlib。 安装Yellowbrick及其依赖项的最简单方法是使用PyPI和Python首选的软件包安装程序pip。 $ pip install yellowbrick 请注意，Yellowbrick是一个活跃的项目，并且定期发布带有更多可视化工具和更新的新版本。 为了将Yellowbrick升级到最新版本，请按以下步骤使用

物体检测 使用带有Tensorflow和Python的深度学习进行车辆检测 该程序说明了如何从头开始在多个对象的对象检测中训练自己的卷积神经网络（CNN）。 使用本教程，可以识别和检测图片，视频或网络摄像头中的特定对象。 下面描述了在Tensorflow环境中在窗口（10、7、8）上训练模型的步骤。 我使用了TensorFlow-v1.5，但该程序可在将来的版本中使用。 脚步 1.安装Anaconda 访问下载并安装Anaconda 访问 TensorFlow的网站描述了安装细节。 2.设置TensorFlow目录和Anaconda虚拟环境 TensorFlow对象检测API和Anac

coursera上的经典课程machine learning全套视频下载。由于太大不能放上来，这里给出百度云链接。

泄漏检测 草稿2017-05-01 迈克尔·克拉克（Michael.clark via wassname dot org），克雷格·巴尔达奇诺（Craig Baldacchino） 该项目探讨了我们可以使用卫星图像和机器学习来发现泄漏的想法。 主要假设是，鉴于泄漏维修的时间和地点以及给定的10-15m2分辨率的卫星图像，我们可以比随机猜测所定义的基准更好地预测泄漏。 我们使用随机森林模型，然后使用超优化调整数据过滤器和模型参数。 我们的结果显示f1得分约为0.6，而虚拟f1得分为0.5。 这个小的改进支持了我们的假设，但是它表示预测能力太差，无法用于管道维护。 我们预计，以更高分辨率的图像重复实验可能会提供有用的预测能力水平。 介绍 西澳大利亚州的漏水造成了超过100亿升的水，每年造成的损失超过10亿美元。 西澳大利亚州自来水公司每年只能人工检查10-12％的管网是否有不可见的泄漏 。

SpeakerClassifier：一种随机森林分类器，可通过语音测量预测说话者的年龄段和性别

thavlik机器学习产品组合 这是我个人深度学习项目的资料库。 监督实验 这些实验利用了随数据提供的基本事实。 医学数据的地面事实通常构成一位或多位主治医师的判断。 ：按出血类型分类脑部CT扫描 ：在CT扫描中定位腹部肿瘤 （WIP）：使用EEG对运动活动进行细粒度检测 （WIP）：单次，可区分的3D渲染 数据集 这些是我亲自编写/编辑的数据集。 运行代码 配置在yaml文件中定义，可以通过include指令进行组合，以使用最少的样板方便地形成派生实验。 可以通过将路径作为--config标志传递到输入yaml来进行实验，以将其设置为src/main.py ： python3 src/main.py --config experiments/mnist/vae/fid.yaml 注意：该脚本假定当前工作目录是此存储库的根。 按照约定，yaml文件中的所有文件和目录路径都相对于存储

本资源为李宏毅老师2021机器学习课程的笔记及个人理解的总结，并不能起到代替课程视频讲解和课后作业的作用，推荐用为课后复习的资料。