人工智能-机器学习-模型驱动架构中的可信嵌入式软件建模与分析.pdf

人工智能-机器学习-模型驱动架构中的可信嵌入式软件建模与分析杨年华.pdf

人工智能-机器学习-模型预测控制并行计算系统研究.pdf

PySpark_Housing_Models 三种PySpark机器学习模型可预测房屋与海洋的距离

薪资预测 使用线性回归的机器学习模型，可以通过输入经验年限来预测薪水。 当前使用Heroku进行部署。 这是已部署模型的链接： :

眼网 机器学习算法框架（SVM + DNN）已在CompBio 2018的ICML-IJCAI研讨会上接受 EyeNet包含用于医学信息学和机器学习研究的机器学习模型和疾病标签 参考 如果您觉得这对您的工作有用，请考虑引用以下参考资料： @article{yang2018novel, title={A Novel Hybrid Machine Learning Model for Auto-Classification of Retinal Diseases}, author={Yang, C-H Huck and Huang, Jia-Hong and Liu, Fangyu and Chiu, Fang-Yi and Gao, Mengya and Lyu, Weifeng and Tegner, Jesper and others}, journal={arXiv

SHAP（SHapley Additive exPlanations）是一种游戏理论方法，用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来（详细信息和引文，请参见）。 安装 Shap可以从或 安装： pip install shap or conda install -c conda-forge shap TreeExplainer的树集成示例（XGBoost / LightGBM / CatBoost / scikit-learn / pyspark模型） 尽管SHAP可以解释任何机器学习模型的输出，但我们已经为树集成方法开发了一种高速精确算法（请参见）。 XGBoost ， LightGBM ， CatBoost ， scikit-learn和pyspark树模型支持快速的C ++实现： import xgboost import shap # load JS visualization code to notebook shap . initjs () # train XGBoost model X , y

现在搞AI研究写论文，其中论文里的框架图模型图很是考验你画图的能力，不费一番心思功夫，怎能画出一个入得Reviewer法眼的图，论文也不大好中，很是发愁。好消息来了，elvis介绍了有个ML visual的利器，提供一份103页的PPT模型图素材，你在上面可以直接使用画出你要的机器学习深度学习模型图，再也不用担心画图了！ URL：https://github.com/dair-ai/ml-visuals https://mp.weixin.qq.com/s/QoMY4NLUmdTyLkWx8zD_hA

机器学习模型在遥感图像分类

开篇词掌握深度学习，畅游AI时代 网盘文件永久链接 01从神经元说起：数学篇.mp4 02从神经元说起：结构篇.mp4 03AI术语：让你变得更加专业.mp4 04函数与优化方法：模型的自我学习（上）。mp4 05前馈网络与反向传播：模型的自我学习（下）。mp4 06线性回归模型：在问题中回顾与了解基础概念。mp4 07卷积神经网络：给你的模型一双可以看到世界的眼睛。mp4 08RNN与LSTM模型也可以持续不断地思考。mp4 09自编码器：让模型拥有属于自己的表达和语言。mp4 10生成式对抗网络艺术创造也可以成为深度学习的拿手好戏。mp4 11集成、共享、敏捷lupyter Notebook的使用.mp4 12数据预处理让模型学得更好。mp4 13张量、数据流图与概念初步了解TenorFlow.mp4 14工作机制与流程：通过手写识别深入了解TenorFlow.mp4 15 TenorBoard:实验统计分析助手mp4 16图像分类：技术背景与常用模型解析。mp4 17图像分类：实现你的第一个图像分类实战顶目。mp4 18语义分割：技术背景与算法剖