PU学习 积极的无标记机器学习实验 有关更多详细信息，请参。

带有Python的Neural Network Visualizer Web App 使用Streamlit的Neural Network Visualizer Web应用程序，以及使用Keras和Flask的简单模型服务器。 它使用Keras训练神经网络模型，并使用Keras的功能API创建具有多个输出的模型。 它是一个Web应用程序，可针对给定的输入可视化神经网络所有层的所有节点的输出。

数独 使用CNN模型以两种方式解决数独难题：直接（一次所有单元）和迭代（逐单元）。

LSTM_Stock_Predictor 由于加密货币投机活动的波动性，投资者通常会尝试结合社交媒体和新闻文章的观点来帮助指导其交易策略。 这样的指标之一就是 ，它试图使用各种数据源来产生加密货币的每日FNG值。 让我们使用FNG值和简单的收盘价来构建和评估深度学习模型，以确定FNG指标是否为加密货币提供比正常收盘价数据更好的信号。 我们将使用深度学习递归神经网络来建模比特币收盘价。 一个模型将使用FNG指标来预测收盘价，而第二个模型将使用收盘窗口来预测第n个收盘价。 方法： 准备数据以进行培训和测试 我们将使用n天窗口的时间窗口对数据进行切片。 对于Fear and Greed模型，我们将使用FNG值来尝试并预测收盘价。 对于收盘价模型，我们将使用之前的收盘价来尝试并预测下一个收盘价。 在每个模型中，我们将使用70％的数据进行训练，并使用30％的数据进行测试 使用MinMax

使用Web界面训练和部署机器学习模型-Docker，PyTorch和Flask 实时访问（在GCP上部署）： : 博客文章： ： 此仓库包含与以上博客文章相关的代码。 在本地/云计算机上运行 克隆仓库并构建docker镜像 sudo docker build -t flaskml . 注意：如果在容器中安装PyTorch时遇到MemoryError，请考虑将2G交换添加到虚拟机（ ） 然后，您可以在指定应用程序的绝对路径的同时运行容器 sudo docker run -i -t --rm -p 8888:8888 -v **absolute path to app directory**:/app flaskml 这将在localhost：8888上运行该应用程序 您可以使用serveo.net或Ngrok将应用程序移植到Web。 在Jetson-Nano上运行 在Je

yolo-midas自主导航 将YOLOv3与MiDaS与单个Resnext101主干结合。 想法是针对两个不同的应用程序使用单个特征提取器，在这种情况下为对象检测和单眼深度估计。 请阅读文章以了解更多详细信息 可以在model/mde_net.py看到模型架构的更改 训练 该模型在“建筑安全装备数据”上进行了训练，可在此处找到 。 如果需要对自定义数据集进行培训，请参考页面中提到的数据准备步骤。 将数据放在data/customdata/custom.data文件夹中 python3.6 train.py --data data/customdata/custom.data --batch 8 --cache --cfg cfg/mde.conf --epochs 50 --img-size 512 请参考配置文件cfg/mde.cfg更改网络配置，冻结不同的分支。 该模型是YO

GAN

IRIS_Dataset--逻辑回归 对数分类的逻辑回归 加载IRIS数据集 创建逻辑回归 火车物流回归 使用Logistic回归进行多类分类

概述 这是 ， 和华盛顿大学之间合作的工作空间，旨在自动检测航空影像中的北极野生生物。 意象 现在可以在公开获取图像， 是一个开放的数据存储库，用于保存与保护生物学相关的图像。 标签 data目录包含以下标签/元数据文件： train.csv （5,110条记录）：热点检测数据，我们拥有所有对应的图像数据（请参阅下文）。 当前，所有这些热点均引用数据集ArcticSealsData01中的图像。 test.csv （1,314条记录）：与train.csv相同的格式和分布，适用于交叉验证。 CSV文件中的每个记录均指的是NOAA热探测系统所拾取的热点，人类将其分类为“动物”（真阳性）或“异常”（假阳性）。 每个热点都是唯一的（没有重复项）。 列架构如下： hotspot_id ：唯一ID timestamp ：GMT / UTC时间戳（始终对应于热图像时间戳） filt_the

tf2_lstm 使用tensorflow 2.0 rc1在LSTM上进行试验。 使用来自实际油井的每日生产数据。