AutoML —一个为所有人制作ML的GUI应用程序 AutoML是一个使用Python，HTML，CSS和JS开发的桌面应用程序，可让用户进行交互和自动执行机器学习管道任务，例如 数据预处理 超参数调整 绩效评估 下载存储库以在本地运行 $ git clone https://github.com/santhalakshminarayana/AutoML.git 设置虚拟环境和安装要求 $ virtualenv AutoML $ source AutoML/bin/activate $ cd AutoML $ pip install -r requirements.txt 运行应用 $ python app.py 在上阅读有关此内容的更多信息

xeokit-sdk 是一个JavaScript软件开发工具包查看在浏览器中的高细节的全3D精密工程和BIM模型。 用法 要从npm安装： npm i @xeokit/xeokit-sdk 资源

PeriDEM-基于Peridynamics的颗粒系统离散元素模型 目录 构建代码 有关快速构建的建议 运行模拟 两粒墙 耐压测试 开发者 介绍 结合了周动力学和离散元方法（DEM）优点的粒状介质高保真模型的实现。 与现有的粒状介质机械模型相比，该模型具有以下优点： 处理颗粒内部变形和破裂/损坏 处理任意形状的粒子。 粒子间接触并非特定于任何形状的粒子 可调粒子间接触参数 易于为单个粒子变形在周动力学内添加不同的机械本构定律 有关模型和结果的更多详细信息，请参考本文： Prashant K.Jha，Prathamesh S.Desai，Debdeep Bhattacharya，Robert P Lipton（2020年）。 基于Peridynamics的离散系统离散元方法（PeriDEM）模型，涉及任意形状的颗粒破裂。 固体力学与物理学杂志，第151卷，2021年。Doi https

Seldon Core：Swift燃烧，面向行业的ML 一个开源平台，可在Kubernetes上大规模部署您的机器学习模型。 总览 Seldon核心将您的ML模型（Tensorflow，Pytorch，H2o等）或语言包装器（Python，Java等）转换为生产REST / GRPC微服务。 Seldon可以扩展到数千种生产机器学习模型，并提供先进的机器学习功能，包括高级度量，请求日志记录，解释器，异常值检测器，A / B测试，Canaries等。 阅读 加入我们的，提出任何问题 入门 加入我们每两周一次的： 了解如何 查看深入了解Seldon Core组件的 使用Seldon Core观看一些对话 高级功能 Seldon Core的安装量超过200万，在整个组织中用于管理机器学习模型的大规模部署，其主要优势包括： 使用我们， 或来轻松ML模型的简便方法。 开箱即用的端点，可以通过 ， 。 与云无关，并在。 由强大而丰富的推理图。 元数据来源以确保每个模型都可以追溯到其各自的。 与集成的高级和可自定义指标。 通过模型输入输出请求（与Elasticsearch进行日

Lambar_Spine_Slicer 腰椎影像智能分割可视化系统，采用Vue+Django框架，3DUNet算法自动分割nii医疗影像文件，并且可以在前端生成分割后的部位三维建模的模型。 框架 在pycharm中运行Djsngo文件即可 前端代码在Vue中修改，默认8888端口 下载 下载相关依赖库 numpy SimpleITK nibabel scipy pytorch 训练 训练时将训练集和测试集的数据和标签文件名称存在txt文件中，dataset类中获取数据 ,在utils类中处理数据 处理操作： ct影像阈值截断 归一化 缩小分辨率 使用dice值评估分割的准确率 config文件中设置相关参数 设置训练的模型大小，每次在输入文件中截取该大小的部分进行训练。 可以加上attention机制提高准确率 三维建模 将nii转为stl模型文件展示椎间盘，神经根，类囊膜渲染在前端 引用

温暖 强化学习的猎物模型 使用TensorFlow的捕食者-被捕食者系统的简单Q学习演示

GTSRB TensorFlow Lite 德国交通标志基准数据集的示例TensorFlow Lite分类模型。 创建该项目的目的是展示如何在之上构建卷积神经网络（通过Transfer Learning），并在TensorFlow Lite SDK的移动应用程序中使用卷积神经网络。 有关更多详细信息，请检查： 博客文章： 具有：数据集准备，模型训练和验证，转换为TensorFlow Lite。 数据集： 灵感：

视频点云压缩-VPCC-mpeg-pcc-tmc2测试模型候选软件 建造 Bash脚本可用于构建mpeg-pcc-tmc2项目： build.sh：构建解决方案。 clear.sh：清除解决方案。 OSX mkdir构建 光盘制作 cmake .. -G Xcode 打开生成的xcode项目并构建它 Linux mkdir构建 光盘制作 cmake .. 制作 视窗 md构建 光盘制作 cmake .. -G“ Visual Studio 15 2017 Win64” 打开生成的Visual Studio解决方案并进行构建 外部依赖 外部依赖项必须下载并构建： HM-16.20 + SCM-8.8（对其应用pcc_me-ext_for_HM-16.20 + SCM-8.8.patch存储在\ dependencies \ hm-modification中）。 svn结帐

拉姆西 一个Python库，用于求解，模拟和估计最佳增长的Ramesy-Cass-Koopmans模型。 版本0.1.0-alpha的路线图 根据给定的参数集，CRRA首选项和Cobb-Douglas生产来求解Ramsey-Cass-Koopmans模型。 重构代码以将功能的相关模块封装为功能。 将函数封装到基本模型类中。 包括CES的模型子类。 编写一些测试。 设置持续集成（CI）。 依存关系 我们的项目具有以下依赖关系... pyCollocation pyPWT

点击率模型 基于纯Spark MLlib的CTR预测模型，无第三方库。 实现模型 朴素贝叶斯 逻辑回归 分解机 随机森林 梯度提升决策树 GBDT + LR 神经网络 内部产品神经网络（IPNN） 外部产品神经网络（OPNN） 用法 这是一个行家项目。 Spark版本是2.3.0。 Scala版本是2.11。 在maven自动导入依赖项之后，您可以简单地运行示例函数（ com.ggstar.example.ModelSelection ）来训练所有CTR模型并获得所有模型之间的指标比较。 有关点击率预测的相关论文 其他资源