注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 生活分类信息发布网站的优秀网站管理系统正式版

  2. 后台管理: http://你的网址/admin 进入,帐户/密码:admin/admin 网软志成分类信息管理系统介绍 　　网软志成分类信息网系统是定位于中高端市场的分类信息网管理系统，能够以最低的成本、最少的人力投入在最短的时间内架设一个功能齐全、性能优异、规模庞大的分类信息网站平台。 　　网软志成是基于微软 .Net 平台开发的分类信息管理系统，它集成了自定义信息发布表单、整站伪静态HTML、分站顶级或二级域名绑定、分类/分站模板管理、IP自动跳转、搜索引擎优化、网银支付、道具、短信/邮箱

  3. 所属分类：C#

    • 发布日期：2015-01-28
    • 文件大小：9mb
    • 提供者：xbtmlove

  1. BOML:Python中的双级优化库，用于多任务和元学习-源码

  2. BOML-用于元学习的Python双层优化库 BOML是一个模块化的优化库，它将几种ML算法统一为一个通用的双层优化框架。它提供了用于实现流行的双层优化算法的接口，因此您可以快速构建自己的元学习神经网络并测试其性能。 ReadMe.md包含简短介绍，以在少数镜头分类字段中实现基于元初始化和基于元功能的方法。除已提出的算法外，还可以使用较低级别策略和较高级别策略的各种组合。 元学习 当通过学习具有良好泛化能力的初始化来面对传入的新任务时，元学习效果很好。它甚至在提供少量培训数据的情况下也具有良

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：12mb
    • 提供者：weixin_42135753

  1. GoingPlacesWithPraw-源码

  2. 与PRAW一起去的地方（探索Toyota Subreddits） 该项目旨在实现以下目标： 从多个PRAW实例提取数据（Reddit API Wrapper） 将数据转换并清除为可解释的可加载格式 在Reddit对象上执行NLTK情感算法 在Reddit对象中扫描用户定义的关键字和语言分类的实例。 背景： 该项目是从一个假设的社交媒体/客户体验经理的角度创建的，该经理希望创建一个数据提要和仪表板，以更好地关联丰田社区成员之间的对话。每天，数十个不同的丰田社区都会进行数百次讨论，涉及问答，技巧和窍

  3. 所属分类：其它

  1. wConsequence:先进的同步机制。 异步例程可以使用Consequence来包装延迟的结果，它允许对此类例程进行分类，如输出而不是输入的回调，从而提高了程序的可分析性。 结果可用于使队列互斥地访问资源-源码

  2. 模块::后果 先进的同步机制。 异步例程可以使用Consequence来包装延迟的结果，它允许对此类例程进行分类，如输出而不是输入的回调，从而提高了程序的可分析性。 后果可用于使队列互斥地访问资源。 从算法上讲，结果是2个队列（FIFO）和可自定义的仲裁算法。 第一个队列包含可用资源，第二个队列包含此资源的竞争者。 在任何特定时刻，一个或另一个队列可能为空或已满。 仲裁算法会尽快为竞争对手提供资源。 资源有2种：常规资源和错误资源。 与Promise不同，Consequence更具可定制性，

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：616kb
    • 提供者：weixin_42123456

  1. quantum_computation:用于实现和实验量子算法的代码-源码

  2. 量子计算 我将在此存储库中实现各种量子算法。 该存储库使用Cirq和Tensorflow Quantum。 如果有时间，我将在其中的每一个上制作视频，当我这样做时，链接将在此处： 实施算法 TensorFlow-Quantum（TFQ）和Cirq 用于不同TFQ实验的代码。 包括原始代码和教程（以及从pennylane到tfq的翻译教程）。 有关以下内容的视频讨论： : 目前包括： 单Qubit分类器 用QML解决XOR 复制“用量子变分电路进行强化学习” TFQ中的量子近似优化算

  3. 所属分类：其它

  1. 分类：不同分类算法的实现-源码

  2. 分类 不同分类算法的实现

  3. 所属分类：其它

  1. awesome-coding-js：使用JavaScript实现的算法和数据结构，附详细解释和刷题指南-源码

  2. 很棒的js编码 写代码=数据结构+算法+ ... 这里有大量算法和数据结构Javascr ipt实现 基于不同的检查纬度，同一笔可能同时出现在不同分类中。 练好数据结构和算法，非一日之功 :flexed_biceps: 。欢迎Star :sparkles:或Watch :eyes:我们共同进步。 建议做题之前先阅读我这篇文章：，帮助您更高效的学习。 为了更好的阅读体验可以到： : 阅读。 :star: :star: ：入门 :star: :star: :star: ：进阶 来源分

  3. 所属分类：其它

  1. 贝叶斯学习和增强：贝叶斯分类器和Adaboost算法的实现-源码

  2. 贝叶斯学习与增强 贝叶斯分类器和Adaboost算法的实现可生成跨训练数据的不同分布生成的多个假设。

  3. 所属分类：其它

  1. model_search-源码

  2. 型号搜寻 模型搜索（MS）是一个框架，该框架实现用于模型体系结构搜索的AutoML算法。 它旨在帮助研究人员加快探索过程，以找到适合其分类问题（即具有不同类型的层的DNN）的模型架构。 该库使您能够： 开箱即用地在数据上运行许多AutoML算法-包括自动搜索正确的模型体系结构，正确的模型集合和最佳的精炼模型。 比较在搜索过程中找到的许多不同模型。 创建您自己的搜索空间，以自定义神经网络中的图层类型。 有关此框架功能的技术说明，请参见。 尽管此框架可以潜在地用于回归问题，但当前版本仅

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：241kb
    • 提供者：weixin_42131342

  1. 从零开始的决策树-源码

  2. 从零开始的决策树 在本项目中，我将从头开始实现决策树学习算法（仅使用numpy）。 我将使用一个数据集，其中包括从Audubon社会北美蘑菇现场指南（1981）中提取的蘑菇记录。 该数据库描述了姬松茸和Lepiota家族不同种类的镀金蘑菇的样品。 在提供的文件（冬菇数据.txt）的一行中，每个样本均由23个字符的字符串描述。 每个这样的字符串描述每个样本的22个属性的值（如下所述），最后一个字符对应于蘑菇正确分类为可食用（e）或有毒（p）蘑菇。 例如，数据集中的前两个样本是有毒的，然后是可食

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：38kb
    • 提供者：weixin_42125826

  1. CS模块项目迭代排序-源码

  2. 模块项目-迭代排序 演算法 迭代排序 目标 描述线性和二进制搜索算法之间的差异 定义什么是运行时复杂性，区分各种分类，并使用Big O表示法对算法的性能进行分类 区分何时使用，对性能进行分类并实施代码以进行经典的迭代排序算法 介绍 在这个项目中，您将为同一个问题实现许多不同的解决方案：按升序对整数列表进行排序。 您还将使用您新获得的复杂性分析知识来评估每个实现的效率。 尽管排序看似微不足道，但该项目使您可以开始对不同算法的性能进行分类和分类。 在继续掌握计算机科学基础知识的过程中，练习对这些简

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：11kb
    • 提供者：weixin_42118423

  1. 公平性：用于计算算法公平性的度量的R包-源码

  2. 公平性：衡量R中的算法公平性 套餐概述 fairness R包提供了用于计算不同敏感组之间算法公平性度量的工具。 基于二元分类任务中的模型预测来计算度量。 该软件包还提供了机会来可视化和比较敏感群体之间的其他预测指标。 该软件包包含用于计算常用的公平机器学习指标的函数，例如： 人口平价 比例平价 均等赔率 预测汇率平价 此外，还实现了以下指标： 误报率平价 假负利率平价 精度平价 负预测价值平价 特异性均等 ROC AUC比较 MCC比较 提供了有关使用该软件包的全面教程。 我们建议您阅读

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：368kb
    • 提供者：weixin_42130786

  1. 客户最终部署-源码

  2. 使用神经网络进行信号检测 客户移交文件 战队：CP32B 日期：2020年8月-2020年11月 项目描述 我们每天都越来越接近自动驾驶汽车和无人驾驶飞机，并找到了在其他应用程序（战斗大流行，物体分类）中在现实世界中使用AI的新方法。 在此项目中，我们将结合计算机视觉（openCV）神经网络（TensorFlow）来实现真实单词和模拟世界交通标志检测算法。 将使用Donkey Car模拟器收集模拟数据，还有另一个项目组件专注于模拟器的改进。 我们研究了不同的算法以提供强大而有效的解决方案。

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：773mb
    • 提供者：weixin_42128558

  1. AdaboostOnMNIST：这是Adaboost算法的实现，它使用两个不同的弱学习器从头开始实施：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测

  2. AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“

  3. 所属分类：其它

  1. GTSRB数据上的对抗攻击：我们的项目专注于，创建算法，以对神经网络进行对抗攻击，并测试在GTSRB数据集上训练的这些神经网络的强度-源码

  2. GTSRB数据上的敌对攻击 我们的项目专注于创建在神经网络上产生对抗性攻击的算法，并测试在GTSRB数据集上训练的这些神经网络的强度。 在此项目的生命周期中，在三种不同的模型上创建并测试了四种技术。 在我们的第一种方法中，我们创建了一个随机模糊器，它将随机修改像素的RGB值，直到对图像进行错误分类为止。 对于第二种方法，我们在图像上应用了高斯滤波器，并检查了分类错误。 在第三种方法中，我们混合了两个相同类别的图像，然后对它们应用高斯滤波器。 对于第四个也是最后一个方法，我们实现了FGSM方法，该

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：730kb
    • 提供者：weixin_42151772

  1. radio_rl：在肿瘤发展模型上使用DQN和DDPG来优化放射治疗的治疗方案-源码

  2. 通过深度强化学习优化放射治疗的时间表 model文件夹包含模拟的Python实现的代码。 model_cpp文件夹包含模拟的C ++实现的代码。 nnets文件夹包含使用不同算法和奖励功能训练的神经网络，如手稿中所述。 training_logs文件夹包含zip归档中的手稿中描述的四个代理的培训日志文件。 eval文件夹包含不同代理的性能评估。 tmp文件夹包含在评估代理程序期间创建的映像。 misc文件夹包含无法在上述文件夹中分类的文件。 main.py用于训练代理。 use_

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：16mb
    • 提供者：weixin_42128558

  1. 神经网络：此存储库包含2NN和深度神经网络算法实现-源码

  2. 神经网络 1.两层NN： 这本工作簿是针对2个主要监督学习的2层神经网络的python实现，这是没有scikit-learn库的具有5倍交叉验证的回归和分类。 非线性回归 非线性Logistic回归 两者均在3种不同的激活功能上执行并进行了比较： 双曲正切 sigmod功能 ReLu功能 2.深度NN： 在本工作簿中，我使用了Keras在分类数据上探索了不同的深度神经网络。 并使用Google Colab分析了它们在CPU和GPU上的运行速度。

  3. 所属分类：其它

  1. Boomer：BOOMER的scikit-learn实现-一种学习梯度增强多标签分类规则的算法-源码

  2. 自述文件 该项目提供了“ BOOMER”的scikit-learn实现-一种用于学习梯度增强的多标签分类规则的算法。 该算法首先发表在以下： Rapp M.，LozaMencíaE.，FürnkranzJ.，Nguyen VL。，HüllermeierE.（2020）学习梯度增强的多标签分类规则。 于：数据库中的机器学习和知识发现。 ECML PKDD2020。计算机科学讲座。 湛史普林格 如果您在科学出版物中使用该算法，我们将不胜感激对上述论文的引用。 产品特点 该项目提供的算法当前支持以

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：54mb
    • 提供者：weixin_42176827

  1. Python工作坊中的机器学习：我的研讨会使用python语言实现不同算法的机器学习-源码

  2. Python工作坊中的机器学习 我的机器学习研讨会使用python语言实现不同算法（伊朗大不里士大学，2017年）。 内容 第1部分：使用现有软件包进行机器学习（第1至5周） 第01周和第02周： Numpy和Matplotlib软件包简介 第03周和第04周：使用Scikit Learn进行监督学习 第05周：使用Scikit Learn进行无监督学习 第2部分：实现我们的机器学习算法和模型（第5周至第10周） 第六周：线性分类 第07周：实现损耗功能（Softmax损耗和SVM损耗）

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：36mb
    • 提供者：weixin_42131633

  1. follower-gender-classification：了解您的Instagram关注者的性别！-源码

  2. 追随者性别分类器 :house_with_garden: 了解您的追随者的性别！ 一个支持我的论文的project 。 介绍 目的是确定您的Instagram关注者中有多少是男性/女性。 由几部分组成： 使用socketio, flask, html & javascr ipt构建的前端 和4种不同的分类器算法实现：xgboost，支持向量机，朴素贝叶斯和adaboost 快速存储库概述 使用sklearn库实现AdaBoost。 Flask应用程序的主要入口点（此项目）。 数据

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：26mb
    • 提供者：weixin_42128676
« 12 3 »