该文档对比了现有的字符识别的方法，本文将CNN应用于字符识别中，通过实验验证了其性能。

Neural Network and Deep Learning神经网络与深度学习中文版 最新版本，是深度学习的最佳入门教材。

利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

储存库（v0.2.3） 一个简单而灵活的代码，用于诸如Echo State Networks（ESN）之类的储层计算架构。 ReservoirPy是一个基于Python科学模块的简单易用的库。 它提供了灵活的接口来实现高效的储层计算（RC）架构，尤其侧重于回声状态网络（ESN）。 与基本的Python实现相比，ReservoirPy的高级功能可提高简单笔记本电脑上的计算时间效率。 它的一些功能包括：脱机和在线培训，并行实现，稀疏矩阵计算，快速频谱初始化等。此外，还包括图形工具，可借助hyperopt库轻松地探索超参数。 该库适用于Python 3.6及更高版本。 官方文件 请参阅以了解有关ReservoirPy的主要功能，其API和安装过程的更多信息。 实例和教程 以获取安装，示例，教程和Jupyter Notebooks。 版本号 要启用ReservoirPy的最新功能，您米格思想

Make Your Own Neural Network_英文版pdf，有书签。。

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。

集成相似度的神经网络预测药物相互作用 由于此问题在经济，工业和健康中非常重要，因此提出一种合适的计算方法来高精度预测未知DDI极具挑战性。 我们提出了一种新颖的机器学习方法，它使用两层完全连接的神经网络来预测未知的DDI，称为“ NDD”。 NDD使用药物的各种特性来获得全面的信息。 计算多个药物相似性。 NDD将多种药物相似性与称为“ SNF”的非线性相似性融合方法相结合，以实现高级功能。 论文链接： : 依赖关系： python版本3.5.3 keras库 scikit学习 代码和数据 在NDD文件夹上找到DS1-Ds3。 NDD的功能代码位于NDD文件夹中。 接触 如有任何疑问，请随时与我联系： 电子邮件： 如果您认为本研究有帮助，请引用我们。

针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

道路裂缝检测神经网络 使用 keras 构建的卷积神经网络以 97.5% 的准确率检测道路裂缝。 这个 repo 包含一个 jupyter notebook 文件，用于正确理解图像数据集和模型训练。 #数据集

是一个库，可以使用不同的隐私训练PyTorch模型。 它支持在客户端上进行的代码更改最少的培训，对培训性能的影响很小，并允许客户端在线跟踪在任何给定时刻花费的隐私预算。 目标观众 此代码版本针对两个目标受众： ML从业者会发现这是培训差异性隐私模型的温和介绍，因为它需要最少的代码更改。 差异隐私科学家会发现这很容易尝试和修改，使他们能够专注于重要的事情。 安装 可以通过pip安装最新版本的Opacus： pip install opacus :warning_selector: 注意：这将带来最新版本的部门，它们在Cuda 10.2上。 如果您的环境使用的是较旧的Cuda版本（例如，Google Colab仍在Cuda 10.1上），则此方法将无效。 要在Colab上安装，请首先运行以下单元： pip install torchcsprng==0.1.3+cu101 -f https://download.pytorch.org/whl/torch_stable.html 然后，您可以像以前一样pip install opacus 。 在查看更多上下文。 您还可以直接从