集成深度学习 使用集成方法进行深度学习，神经网络作为基础学习器，线性判别分析 (LDA) 作为二级学习器。

Embedded low-power deep learning with TIDL.pdf

数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

Jason Brownlee 的深度学习书Deep Learning with Python，包括文档和代码。

WildWav-鸟声识别器 有没有听说过在野外或周围有不同的鸟叫声，并且想知道那是哪只鸟？ WildWav的开发正是为了识别我们虚弱的朋友！ WildWav是一个Web应用程序，它使用用户捕获的音频记录来分析鸟的声音（或浏览WAV文件）以预测鸟的类型。 简介：Bird Sound Identifier是我与朋友共同开发的一个个人项目，旨在探索机器学习的可能性。 另外，通过在Heroku服务器上部署模型，使想法变为现实并确保每个人都可以使用它。 对于此项目，我们使用Flask API创建应用程序，并使用Python进行建模。 Vaish使用HTML进行了所有的网页设计。 该应用程序使用了我们在找到的recorder.js javascript文件。 功能：Web应用程序具有一个带有两个选项的界面： 使用设备的麦克风记录以捕获鸟的声音，或者 浏览文件选项以选择WAV格式的音频文件。

David Barber 的一本书，贝叶斯推理和机器学习

少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit

Hands-on Machine Learning with Scikit-Learn and Tensorflow 第二章所有jupyter python代码以及教程，免费！

英文版 Learning C# by Developing Games with Unity 3D 适合想学了解 unity 3d 游戏引擎开发 以及 c# 脚本编程的 童鞋

金融交易的强化学习？ 如何使用 MATLAB 使用模拟股票数据将强化学习用于金融交易。 设置跑步： 打开 RL_trading_demo.prj 打开工作流.mlx 运行工作流.mlx 环境和奖励可以在：myStepFunction.m 中找到 概述： 强化学习代理的目标很简单。 了解如何在不损失资金的情况下进行金融市场交易。 请注意，这与学习如何交易市场并尽可能多地赚钱不同。 这个例子的目的是展示： 1.什么是强化学习2. 如何将其应用于金融市场交易3. 为金融专业人士留下一个起点，让他们利用自己的领域专业知识来使用和增强。 该示例使用的环境由 3 只股票、20000 美元现金和 15 年的历史数据组成。 股票是： 通过几何布朗运动或历史市场数据（来源：AlphaVantage： www.alphavantage.co ） 版权所有2020 The MathWorks，