很棒的毫升 有关机器学习算法的有趣事情列表： 挑战性 是数据科学挑战平台 面临的挑战是将数据和地球科学界团结起来，共同解决解决勘探最大挑战的创新解决方案的共同目标。 学习平台 练习编码技巧

很棒的ML 很棒的机器学习资源和参考 “机器学习是使计算机像人类一样学习和行动的科学，并通过以观察和真实交互的形式向计算机提供数据和信息，从而随着时间的推移以自主方式改善其学习。” 目录 :high_voltage: 机器学习 监督下 :white_medium_star: 监督学习是一种方法，用于使机器能够根据输入到机器中的相关数据对对象，问题或情况进行分类。 （techopedia.com） 回归 Predict continuous values 线性回归 -Rohith Gand

很棒的WindowsML ONNX模型 自Windows 10 RS4 Update（内部版本1803）以来，Microsoft已发布Windows ML平台来帮助开发人员将机器学习功能集成到应用程序中。 我们可以基于ONNX格式的许多机器学习模型创建创新的应用程序，因为Windows ML在Windows 10设备上本地评估经过训练的模型，通过利用设备的CPU或GPU提供硬件加速的性能，并计算经典ML算法和Deep的评估学习。 该项目为开发人员提供了经过测试的ONNX机器学习模型和演示的最大

iOS上很棒的机器学习演示 我们通过Core ML和ML Kit（TensorFlow Lite）解决了在iOS上使用机器学习模型的挑战。 内容 适用于iOS的机器学习框架 等等（ ， DEPRECATED ） 使用Core ML时的模型流程 大多数ML框架的总体流程非常相似。 每个框架都有其自己兼容的模型格式。 对于每个移动ML框架，我们需要采用TensorFlow中创建的模型并将其转换为适当的格式。 一旦准备好兼容模型，就可以使用ML框架运行推理。 请注意，您必须手动执行预处理/

很棒的AI-ML-DL 更好的自然语言处理： NLP Java： | NLP Clojure： | NLP Kotlin： | NLP Scala： | 使用DL4J的NLP（CUDA） Tribuo： | DeepNetts： | Dataiku DSS： | Grakn： | Jupyter-Java： | 使用DL4J的MLPMNist： | 齐柏林飞艇： 令人敬畏的人工智能，机器学习和深度学习。 学习笔记和精选的此类主题资源清单。 此仓库专用于对AI，ML，DL和相关科学感