音频深度学习（DLA） 每周的讲座和研讨会资料位于./week*文件夹中，有关资料和说明，请参阅README.md。 任何技术问题，想法，课程资料中的错误，贡献想法-添加问题 该课程的当前版本于2020年秋季在的进行 教学大纲 数字信号处理简介 讲座：信号，傅立叶变换，频谱图，MFCC等 研讨会：PyTorch简介，DevOps，深度学习研发 自动语音识别I 讲座：指标，注意力，LAS，CTC，BeamSearch 研讨会：Docker，W＆B，音频增强 自动语音识别II 演讲：LM融合，RNN传感器，进度表采样，BPE 研讨会：Jasper，QurtzNet，混合精度培训，DDP / DP 关键字（KWS）和语音活动检测（VAD） 演讲：（DNN，CNN，RNN + Attention）基于KWS，SVDF，正交正则化和其他技巧 研讨会：加速神经网络：张量分解，量化，修剪

这是语音信号处理领域一本内容很不错的书，我一直在用，很受益。拿出来分享，Enjoy it!

图像处理C语言源代码(Source Code of Image Processing in C)

通过患者健康问卷9和自然语言处理对抑郁症进行分析

抑郁症被认为是造成全球残疾的最大原因，也是自杀的主要原因。 它会影响书面文本中反映的语言使用情况。 我们研究的主要目标是检查Reddit用户的帖子，以发现任何可能揭示相关在线用户的抑郁态度的因素。 为此，我们采用自然语言处理（NLP）技术和机器学习方法来训练数据并评估我们提出的方法的效率。 我们确定在沮丧帐户中更常见的术语词典。 结果表明，我们提出的方法可以显着提高性能精度。 最好的单一功能是使用支持向量机（SVM）分类器的双字母组，可以以80％的准确度和0.80 F1的分数检测抑郁症。 多层感知器（MLP）分类器最成功地证明了组合特征（LIWC + LDA + bigram）的强度和有效性，从而使抑郁症检测的顶级性能达到91％的准确度和0.93 F1分数。 根据我们的研究，可以通过选择适当的特征及其多个特征组合来实现更好的性能改进。

OntoNotes-5.0-NER-BIO 这是CoNLL-2003格式的版本，带有OntoNotes 5.0版本NER的BIO标记方案。 此格式化的版本基于的说明以及在此存储库中创建的新脚本。 简单地说，名为“（Yuchen Zhang，Zhi Zhong，CoNLL 2013），提出了针对OntoNotes 5.0数据的Train-dev-split，并提供了将其转换为CoNLL 2012格式的脚本。 但是，结果不在BIO标记方案中，不能直接用于许多序列标记体系结构中，例如BLSTM-CRF。 此回购协议通过直接生成BIO格式简化了预处理，您可以在实验中使用它们。 步骤1：获取官方的O

MAMS for ABSA 此存储库包含论文“ EMCLP-IJCNLP 2019， 挑战数据集和基于方面的情感分析的有效模型”的数据和代码。 彩信 MAMS是用于基于方面的情感分析（ABSA）的挑战数据集，其中每个句子包含至少两个具有不同情感极性的方面。 MAMS数据集包含两个版本：一个用于方面术语情感分析（ATSA），另一个用于方面类别情感分析（ACSA）。 要求 pytorch==1.1.0 spacy==2.1.8 pytorch-pretrained-bert==0.6.2 adabound==0.0.5 pyyaml==5.1.2 numpy==1.17.2 scikit-learn==0.21.3 scipy==1.3.1 快速开始 将经过预训练的GloVe（ ）文件glove.840B.300d.txt放在./data文件夹中。 修改config.py以选择任务，模型和

Microchip Fabrication A Practical Guide to Semiconductor Processing 5th.pdf 中文名《芯片制造——半导体工艺制程实用教程》 我找不到中文版，各位谁有的分享一下吧

Digital Signal Processing: Principles, Algorithms and Applications (3rd Edition)Part 1

DSP入门经典教材，djvu格式，目录制作精良，供参考