[机器学习] 管理统计学——SPSS Modeler证券客户细分

说明：证券公司A客户细分及差异化服务方案设计 1：主要方法 （1）计算变量 （2）分组分级量化 （3）K个独立样本非参数检验 （4）降维-最优尺度的分析方法 （5）独立样本T检验 （6）分析描述探索 2：分析内容 （1）客户各自然或社会属性对客户投资各类出、入据的影响 （2）各投资偏好等级与顾客入据、出据的关联 （3）客户各自然或社会属性值对应的估计总体投资偏好(具体数值)及其所属的偏好等级 （4）各投资偏好等级对应的顾客各属性区间估计
<qq_26791373> 上传 | 大小：1mb

[机器学习] 关于机器学习的十大经典算法.doc

说明：C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足
<willfen9192> 上传 | 大小：22kb

[机器学习] 酷Q Air.zip

说明：插件包括图灵机器人，地震通知，点歌，垃圾分类查询，百度百科，机器人自动回复 有互动式教程，小白也能轻松学会
<sea_leaf> 上传 | 大小：39mb

[深度学习] tensorflow-lite依赖包

说明：文件包含tensorflow-lite所需要的依赖包，将文件下载后解压，将downloads文件夹放在../lite/tools/make/目录下，就可以拉
<qq_37116150> 上传 | 大小：10mb

[深度学习] xml_to_csv.py

说明：用于将xml文件格式转换为csv文件输出。 例如：做物体识别使用labelImg生成的xml文件，转换为csv文件格式进行使用。
<m0607aaa> 上传 | 大小：3kb

[深度学习] 泰坦数据.zip泰坦尼克号

说明：影响乘客生还的因素很多，这里只对乘客的性别、年龄、乘客等级、这三个因素感兴趣， 看看这四个因素是否会影响乘客的生还率。 1.性别是否会影响生还率 2.年龄是否会影响生还率 3.乘客等级会否会影响乘客率 4.性别和舱位共同对生还率的影响 5.年纪和性别共同对生还率的影响 6.年纪和等级共同对生还率的影响 这里。乘客的性别、年龄、等级、是三个自变量，生还率是因变量
<youif> 上传 | 大小：32kb

[深度学习] 第八、九篇论文.pptx

说明：《2018Web traffic anomaly detection using C-LSTM neural networks基于C-LSTM神经网络的Web流量异常检测》和《2019Anomaly Detection Based on ConvolutionalRecurrent Autoencoder for IoT Time Series基于卷积递归自编码器的物联网时间序列异常检测》
<WangZixuan1111> 上传 | 大小：44mb

[机器学习] opencv3.2.zip

说明：本压缩文件内存放了Ubuntu系统中安装opencv3.2.0所需要的安装资源，为了方便操作，未使用git下载，直接上传了安装源码包
<weixin_41099962> 上传 | 大小：172mb

[机器学习] cuda10.0和cudnn10.0.txt

说明：cuda10.0和cudnn10.0下载，百度网盘资源，有时官网的cudnn会打不开，无法下载，这里百度网盘备份下载。
<u013222658> 上传 | 大小：147byte

[机器学习] 元学习（meta learning）综述论文（2020年）

说明：元学习旨在学会学习，是当下研究热点之一。最近来自爱丁堡大学的学者发布了关于元学习最新综述论文《Meta-Learning in Neural Networks: A Survey》，值得关注，详述了元学习体系，包括定义、方法、应用、挑战，成为不可缺少的文献。
<syp_net> 上传 | 大小：713kb

[机器学习] Data-Free Adversarial Perturbations forPractical Black-Box Attack.pdf

说明：实用黑箱攻击的无数据对抗扰动PDF论文，发表于2020-03-03 神经网络容易受到对抗性示例的攻击，这些示例是为欺骗预先训练的模型而设计的恶意输入。对抗性示例经常表现出黑匣子攻击的可转移性，这使得为一个模型设计的对抗性示例可以欺骗另一种模型。
<u013222658> 上传 | 大小：1mb

[机器学习] 预训练文本表示作为元学习（Pre-training Text Representations）

说明：在这项工作中，我们介绍了一个学习算法，它直接优化模型学习文本表示的能力，以有效地学习下游任务。我们证明了多任务预训练和模型不可知的元学习之间有着内在的联系。BERT中采用的标准多任务学习目标是元训练深度为零的学习算法的一个特例。我们在两种情况下研究了这个问题:无监督的预训练和有监督的预训练，不同的预训练对象验证了我们的方法的通用性。实验结果表明，我们的算法对各种下游任务进行了改进，获得了更好的初始化。
<syp_net> 上传 | 大小：364kb