“The ultimate guide to using Python to explore the true power of neural networks through six projects”

OptiML OptiML是支持向量机和深度神经网络的sklearn兼容实现，根据最新技术，它们都有一些最成功的功能。 这项工作的动机是，有可能通过广泛的优化算法研究对象解决这些模型的数学公式所产生的优化问题，并为“数值方法和优化”课程开发@@在教授的监督下。 内容 数值优化 无约束优化 线搜索方法 零阶方法 次梯度 一阶方法 最陡的梯度下降 共轭梯度 弗莱彻-里夫斯公式 Polak–Ribière公式 Hestenes-Stiefel公式 代formula公式 重球渐变 二阶方法 牛顿 拟牛顿 高炉 随机方法 随机梯度下降 势头 标准 涅斯捷罗夫 亚当 势头 标准 涅斯捷罗夫 毕业证书 势头 标准 涅斯捷罗夫 阿达克斯 势头 标准 涅斯捷罗夫 阿达格拉德 阿达达 RProp RMSProp 具有接口的近端捆绑包，用于 ，

弹性重量合并 通过弹性体重合并，深度强化学习和有监督的设置进行终身学习。 部分结果 链接

中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何： 建立一个可预测纽约市Airbnb价格的深度神经网络（使用scikit-learn和Keras） 建立一个REST API，根据模型预测价格（使用Flask和gunicorn） 在Google App Engine上将模型部署到生产环境 快速开始 要求： Python 3.7 Google Cloud Engine帐户 克隆此存储库： git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简

Coursera上的深度学习专业化（由deeplearning.ai提供） deeplearning.ai提供的Coursera所有课程的编程作业和测验。 授课老师： 笔记 有关Coursera深度学习专业中所有课程的详细面试准备笔记，请 设置 运行setup.sh以（i）下载经过预先​​训练的VGG-19数据集，并（ii）提取所有分配所需的经过z​​ip压缩的经过预先训练的模型和数据集。 学分 此仓库包含我针对该专业的工作。除非另有说明，否则代码库，测验问题和图表均取自的“ 。 编程作业 课程1：神经网络与深度学习 课程2：改善深度神经网络：超参数调整，正则化和优化 课程3：构建机器学习项目 此课程没有PA。但是本课程附带了非常有趣的案例研究测验（如下）。 课程4：卷积神经网络 课程5：序列模型 测验解决方案 课程1：神经网络与深度学习 第1周测验-深度学习简介： | 第2周测验-神经

深度学习模型转换器：针对不同深度学习框架软件的深度学习模型的转换器转换