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。

Cloud Computing for Machine Learning and Cognitive Applications A Machine Learning Approach Kai Hwang 17

PyTorch SimCLR：视觉表示形式对比学习的简单框架 带有完整文档的博客文章： 另请参见。 安装 $ conda env create --name simclr --file env.yml $ conda activate simclr $ python run.py 配置文件 在运行SimCLR之前，请确保选择正确的运行配置。 您可以通过将关键字参数传递给run.py文件来更改正在运行的配置。 $ python run . py - data . / datasets - - dataset - name stl10 - - log - every - n - steps 100 - - epochs 100 如果要在CPU上运行它（出于调试目的），请使用--disable-cuda选项。 要进行16位精度的GPU培训，请确保安装并使用--fp16_precision标志。 功能评估 使用线性模型协议进行特征评估。 首先，我们在STL10 unsupervised集中使用SimCLR学习了功能。 然后，我们在SimCLR的冻结特征之上训练线性分类器。 根据从STL

灾难响应管道项目：webapp 指数 一个自然语言处理（NLP）项目，用于对灾难期间发送的消息的上下文进行分类。 该项目是我的Udacity数据科学家纳米学位的一部分。 此回购是关于webapp的，可以在这里找到： : 此外，还有，可以将其克隆并部署在另一台服务器上。 数据由。 你可以在看看。 它主要由文本消息和相应灾难的分类（例如，地震，火灾，地震等）组成。 该数据可用于训练文本分类器。 app：包含部署所需文件的文件夹： run.py：启动应用程序并加载ML模型以及绘图可视化效果的Python脚本。 train_classifier.py：训练分类器的脚本（对于webapp而言不是必需的） classifier.pkl：分类器的pickle文件。 template => master.html：此仪表板的“索引”页面。 templates => go.html：显示

渐变光机 LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点： 训练速度更快，效率更高。 降低内存使用率。 更好的准确性。 支持并行和GPU学习。 能够处理大规模数据。 有关更多详细信息，请参阅。 受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。 在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM可通过使用多台机器进行特定设置的训练来实现线性加速。 入门和文档 我们的主要文档位于并从该存储库生成。 如果您不熟悉LightGBM，请按照站点上进行。 接下来，您可能需要阅读： 显示常见任务命令行用法的。 LightGBM支持的和算法。 是您可以进行的自定义的详尽列表。 和可以加快计算速度。 是有关超参数的详细指南。 为LightGBM超参数（）提供自动调整。 贡献者文档： 。 查阅《 。 新闻 请参考页面上的变更日志。 一些重要的更新日志可在“页面上找到。 外部（非官方）存储库 Optun

Python实现的一些数值（优化）方法 :star: 感谢所有为该项目加注星标的人，这意义非凡！ 现在存储库包括： BFGS算法 Nelder-Mead算法 信任区域Dogleg算法 说明（俄语） BFGS 内尔德米德 信任区域