机器学习入门的可以看一看，作者呕心沥血整理的资源，学习的可以看一看，里面包括机器学习历年来的发展，机器学习的分支，传统机器学习算法和无监督学习，监督学习和强化学习相关定义等等

操作系统的基本概念，何一个计算机系统都是由两部分组成：计算机硬件和计算机软件。计算机硬件通常是由中央处理机（运算器和控制器）、存储器、输入设备和输出设备等部件组成。 计算机软件包括系统软件和应用软件。系统软件如操作系统、多种语言处理程序( 汇编和编译程序等 )、连接装配程序、系统实用程序、多种工具软件等; 应用软件为多种应用目的而编制的程序。

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

针对不平衡数据中特征维数高、标记样本缺乏问题,提出一种基于遗传算法和BiasedSVM的不平衡数据半监督特征选择算法。该方法首先利用初始的标记样本集训练处理不平衡数据的Biased-SVM模型,然后用训练好的Biased-SVM模型为未标记样本加上标签,再把新标记样本加入到初始标记样本集中,得到新标记样本集,最后采用基于遗传算法的不平衡数据特征选择方法选出最优的特征子集。实验结果表明,所提方法在不同的标记样本率下均具有较高的平均特征子集缩减率和平均小类识别率。

Python的半监督学习框架 该项目包含用于半监督学习的Python实现，并与scikit-learn兼容，包括 对比悲观似然估计（CPLE） （基于-但不等同于 ），适用于所有分类器的“安全”框架，可以产生预测概率（此处的安全意味着在标签和未标签数据上训练的模型都应不会比仅根据标签数据训练的模型差） 自我学习（自我训练），一种适用于任何分类器的幼稚半监督学习框架（使用经过训练的分类器迭代标记未标记的实例，然后在结果数据集上对其进行重新训练-参见例如 ） 半监督支持向量机（S3VM）-一种简单的scikit-learn兼容包装器，用于由Fabian Gieseke，Antti Airola，Tapio Pahikkala，Oliver Kramer开发的QN-S3VM代码（请参见 ）包含此方法用于比较 第一种方法是对的新颖扩展用于任何区分性分类器（与原始CPLE的区别在下面进行说明）。

医学图像分割的半监督学习。 近来，半监督图像分割已成为医学图像计算中的热门话题，不幸的是，由于隐私策略等原因，只有少数开源代码和数据集。为了便于评估和公平比较，我们正在尝试建立一个半监督医学图像分割基准，以促进医学影像计算社区中的半监督学习研究。如果您有兴趣，可以随时将实现或想法推送到此存储库。 该项目最初是为我们以前的工作开发的，如果您发现对您的研究有用，请考虑引用以下内容： @article{luo2020urpc, title={Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency}, author={Luo, Xiangde and Liao, Wen

弱监督学习在医学图像检测中的应用

图上的深度学习最近引起了人们的极大兴趣。然而，大多数工作都集中在（半）监督学习上，导致存在标签依赖重、泛化能力差和鲁棒性弱等缺点。为了解决这些问题，自监督学习 (SSL) 通过精心设计的借口任务提取信息知识，而不依赖于手动标签，已成为图数据的一种有前途和趋势的学习范式。与计算机视觉和自然语言处理等其他领域中的 SSL 不同，图上的 SSL 具有独特的背景、设计思想和分类法。在图自监督学习的框架下，我们及时全面地回顾了使用SSL技术处理图数据的现有方法。我们构建了一个统一的框架，在数学上形式化了图 SSL 的范式。根据借口任务的目标，我们将这些方法分为四类：基于生成的方法、基于辅助属性的方法、基于对比的方法和混合方法。我们进一步总结了图 SSL 在各个研究领域的应用，并总结了图 SSL 的常用数据集、评估基准、性能比较和开源代码。最后，我们讨论了该研究领域的剩余挑战和潜在的未来方向。

#4.2_NEAT_监督学习_Supervised_learning_(机器学习_进化算法_Evolutionary_Algor

对NER的监管不力 与ACL 2020接受的论文“没有标签数据的命名实体识别：弱监督方法”相关的源代码。 要求： 您首先应该确保安装以下Python软件包： spacy （版本> = 2.2） hmmlearn snips-nlu-parsers pandas numba scikit-learn 您还应该在Spacy中安装en_core_web_sm和en_core_web_md模型。 要在ner.py运行神经模型，还需要安装pytorch ， cupy ， keras和tensorflow 。 要运行基线，您还需要安装snorkel 。 最后，您还需要下载以下文件并将