t-Distributed Stochastic Neighbor Embedding (t-SNE) is a (prize-winning) technique for dimensionality reduction that is particularly well suited for the visualization of high-dimensional datasets. The technique can be implemented via Barnes-Hut approximations, allowing it to be applied on large real-world datasets. We applied it on data sets with up to 30 million examples. The technique and its variants are introduced in the following papers: L.J.P. van der Maaten. Accelerating t-SNE using Tree-Based Algorithms. Journal of Machine Learning Research 15(Oct):3221-3245, 2014. PDF [Supplemental material] L.J.P. van der Maaten and G.E. Hinton. Visualizing Non-Metric Similarities in Multiple Maps. Machine Learning 87(1):33-55, 2012. PDF L.J.P. van der Maaten. Learning a Parametric Embedding by Preserving Local Structure. In Proceedings of the Twelfth International Conference on Artificial Intelligence & Statistics (AI-STATS), JMLR W&CP 5:384-391, 2009. PDF L.J.P. van der Maaten and G.E. Hinton. Visualizing High-Dimensional Data Using t-SNE. Journal of Machine Learning Research 9(Nov):2579-2605, 2008. PDF [Supplemental material] [Talk] An accessible introduction to t-SNE and its variants is given in this Google Techtalk.

Qoala-T 用于FreeSurfer分段MRI数据质量控制的监督学习工具 版本1.2>预测模型已于2019年1月14日更新; Github页面于2021年3月16日更新Qoala-T由和在开发和创建。 关于 Qoala-T是一种有监督的学习工具，可评估T1成像扫描的手动质量控制及其在FreeSurfer中处理的自动神经解剖标记的准确性。 它特别适用于开发数据集。 该软件包包含Klapwijk等人（2019）中所述的数据和R代码，请参阅 。 我们内部开发的手动质量控制程序的协议可以在找到。 我们还开发了一个使用R Shiny的应用程序，通过该应用程序可以在不安装R的情况下运行Qoala-T模型，请参阅（可以在找到本地运行的源代码）。 运行Qoala-T 为了能够运行Qoala-T模型，应在FreeSurfer中处理T1 MRI图像。 当前版本中使用的模型是针对FreeSurfer

daart：用于动物动作识别工具箱的深度学习 一组用于分析行为数据的工具 安装 首先，您必须安装git软件包才能访问github上的代码。 请按照针对特定操作系统的说明进行操作。 然后，在命令行中，导航至要安装daart软件包的位置，然后移至该目录： $: git clone https://github.com/themattinthehatt/daart $: cd daart 接下来，按照说明安装conda软件包以管理开发环境。 然后，创建一个conda环境： $: conda create --name=daart python=3.6 $: conda activate daart (daart) $: pip install -r requirements.txt 为了使软件包模块对python解释器可见，请从主daart目录中本地运行pip install： (daar

VB6.0代码转换 VBto C# 保证可用VB6.0to VB.net

强化学习工具箱(DRLToolbox) 概述 该项目建立了一个集成深度强化学习训练、训练结果可视化、调参、模型版本管理等功能于一体的工具箱，提供小游戏对算法进行测试学习。该工具箱可以帮助大家了解深度强化学习的乐趣以及协助开发者的研究。 配置情况 Python 3 TensorFlow-gpu pygame OpenCV-Python PyQt5 sys threading multiprocessing shelve os sqlite3 socket pyperclip flask glob shutil numpy pandas time importlib 如何运行？ 运行run_window.py可启动窗口 启动界面 主界面 设置界面 其他功能详见项目大报告 什么是强化学习？ 详见报告 最终表现 以贪吃蛇为例，经过超过500万次训练（超过48小时），一共完成36171局，每局分数如

一个很好的CMOS学习工具，在windows下运行CMOS，可以大胆的做任何设置，这只是一个模拟程序，对系统没有任何影响.,现在学CMOS和BIOS可以到windows下学习了！！

acc的matlab代码MLTool-BCI Matlab / Octave机器学习工具箱，用于线性分类以及在脑机接口（BCI）中的应用。 该工具箱随GPL许可证一起分发，并随附于教程一章“针对BCI的机器学习”。 特征 线性模型 线性判别分析（LDA） 支持向量机（SVM） 岭回归（RR） 验证策略 坚持 随机抽样 K折交叉验证 遗漏的引导程序 绩效指标（分类和回归） 准确度（ACC） ROC曲线下的面积（AUC） 科恩的卡伯（k） 均方误差（MSE） 相关系数（corr） 演示数据集 具有CSP功能的汽车影像（MI） 具有时间功能的P300喷码机 ECoG手指运动预测数据集 安装 下载当前版本 提取子文件夹 使用“ addpath（genpath（'path-to-mltool'））”将路径添加到Matlab / Octave，以执行工具箱中的任何功能 简短文件 工具箱中的所有功能都包含带有参数定义的详细文档。 分类器文件夹包含所有线性模型估计函数（仅二进制分类） 性能文件夹包含所有性能计算功能 验证文件夹包含所有pvalidation循环 图形文件夹包含本章中用于生成图形的脚本

LabVIEW环境下的机器学习工具包，需在LabVIEW2010（或以后）版本上运行。

二年级——钟表学习工具

熊猫快车 ###成为功夫熊猫大师的快速指南在击败邪恶的雪豹大龙之后，我们最喜欢的功夫熊猫大师Po返回和平谷，帮助父亲Ping先生和他的面馆。 平先生的面馆状况一直不太好，因此蒲先生决心帮助他的父亲弄清楚他可以做些什么来改善自己的餐厅。 幸运的是，Po受到了少林武术的崇敬和古老的Python风格的培训，并将像Ye功夫熊猫的真正主人一样，分析Yelp的数据集来保存他父亲的餐厅。 这是一个Python教程，用于使用Pandas和其他Python机器学习工具清理和分析Yelp Data Challenge数据集 数据集 我们将使用提供的Yelp评论。 下载内容包含JSON格式的以下文件： business.json-有关企业的信息 review.json-评论的文本和元数据 tip.json-提示的文本和元数据 user.json-用户信息 checkin.json-每个企业的签到数量 ###