MapReduce-机器学习 一些机器学习算法的 Map-Reduce 实现

DoubleML-Python中的双机学习 Python软件包DoubleML提供了的双重/无偏机器学习框架的 。 它建立在（Pedregosa等，2011）。 请注意，Python软件包是与基于的R twin一起开发的。 R包也可以在和 。 文档和维护 文档和网站： : DoubleML当前由和维护。 可以将错误报告给问题跟踪器，为 。 主要特点 双重/无偏机器学习 部分线性回归模型（PLR） 部分线性IV回归模型（PLIV） 互动回归模型（IRM） 交互式IV回归模型（IIVM） DoubleML的面向对象的实现非常灵活。 模型类DoubleMLPLR ， Doub

DeepSpeech：DeepSpeech是一种开源嵌入式（离线，设备上的）语音到文本引擎，可以在从Raspberry Pi 4到大功率GPU服务器的各种设备上实时运行

Algebra, Topology, Differential Calculus, and Optimization TheoryFor Computer Science and Machine LearningJean Gallier and Jocelyn Quaintance Department of Computer and Information ScienceUniversity of Pennsylvania Philadelphia, PA 19104, USA e-mail: jean@cis.upenn.educ:copyright: Jean GallierAugust 2, 20192ContentsContents 31 Introduction 172 Groups, Rings, and Fields 19 2.1 Groups, Subgroups, Cosets . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Cyclic Groups . . . . . . . . . .

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

Hands-On Machine Learning with Scikit-Learn and TensorFlow.zip

超网络 适用于ResNet的PyTorch实施（Ha等人，ICLR 2017）。该代码主要用于CIFAR-10和CIFAR-100，但是将其用于任何其他数据集都非常容易。将其用于不同深度的ResNet架构也非常容易。 我们使用pytorch闪电来控制整个管道。 怎么跑 python train.py --dataset {cifar10/cifar100} --gpus $num_gpu -j $num_workers --distributed_backend ddp 已过期。此回购协议已将HyperNet修改为逐层实施，使用起来更加方便。需要注意的是，我们发现尽管作者设置了in_size和out_size 。实际上，您应该将in_size和out_size设置为16，否则将失败。

主成分回归代码matlab及示例机器学习（Coursera） 这是我对Andrew Ng教授的所有机器学习（Coursera）编程任务和测验的解决方案。 完成本课程后，您将对机器学习算法有一个广泛的了解。 首先尝试自己解决所有任务，但是如果您陷入困境，请随时浏览代码。 内容 讲座幻灯片 编程分配的解决方案 解决测验 斯坦福大学的吴安德（Andrew Ng） 第一周 视频：简介 测验：简介 视频：具有一个变量的线性回归 测验：具有一个变量的线性回归 第二周 视频：具有多个变量的线性回归 测验：具有多个变量的线性回归 视频：八度/ Matlab教程 测验：八度/ Matlab教程 编程分配：线性回归 第三周 视频：Logistic回归 测验：逻辑回归 视频：正则化 测验：正则化 编程分配：逻辑回归 第四周 视频：神经网络：表示 测验：神经网络：表示形式 编程作业：多类分类和神经网络 第五周 视频：神经网络：学习 测验：神经网络：学习 编程作业：神经网络学习 第六周 视频：应用机器学习的建议 测验：应用机器学习的建议 视频：编程分配：正则线性回归和偏差/方差 机器学习系统设计 测验：机器学习

在动态图像文件行为的分布式图像可视化中，使用GAN模拟恶意软件作者以提供主动保护 引用为： VS Bhaskara, and D. Bhattacharyya. arXiv preprint arXiv:1807.07525 [stat.ML] (2018) 。 引用代码 训练的WGAN-GP模型基于上发布的代码。 我们将带有improved_wgan_training/gan_64x64.py脚本与GoodGenerator和GoodDiscriminator函数定义的网络体系结构GoodDiscriminator使用。 每个通道使用的64位dHash基于上的实现。 在color_dHash192.py脚本中显示了通过在彩色图像的通道上串联dHash来哈希的扩展。 数据集 dataset_filedetails.csv ：列出文件SHA256哈希值和所使用的12,006个不同可执行文

sklearn-cookbook-zh：[翻译] Scikit-learn秘籍