混合搭配 这是MixMatch的非官方PyTorch实现。 Tensorflow的官方实现在。 现在只有在CIFAR-10上的实验可用。 该存储库认真执行了官方实施的重要细节，以重现结果。 要求 Python 3.6+ PyTorch 1.0 torchvision 0.2.2（旧版本与此代码不兼容） 张量板 进步 matplotlib 麻木 用法 火车 通过CIFAR-10数据集的250个标记数据训练模型： python train.py --gpu --n-labeled 250 --out cifar10@250 通过CIFAR-10数据集的4000个标记数据训练模型： python train.py --gpu --n-labeled 4000 --out cifar10@4000 监控培训进度 tensorboard.sh --

针对机器学习中训练样本和测试样本概率分布不一致的问题，提出了一种基于dropout正则化的半监督域自适应方法来实现将神经网络的特征表示从标签丰富的源域转移到无标签的目标域。此方法从半监督学习的角度出发，在源域数据中添加少量带标签的目标域数据，使得神经网络在学习到源域数据特征分布的同时也能学习到目标域数据的特征分布。由于有了先验知识的指导，即使没有丰富的标签信息，神经网络依然可以很好地拟合目标域数据。实验结果表明，此算法在几种典型的数字数据集SVHN、MNIST和USPS的域自适应任务上的性能优于现有的其他算法，并且在涵盖广泛自然类别的真实数据集CIFAR-10和STL-10的域自适应任务上有较好的鲁棒性。

UCI 机器学习数据集合中的经典二分类数据集，包括 Iris、Hert Dieses、German Credit 等经典二分类问题测试数据集。

无监督学习

不可多得的关于kNN算法的资料，讲解通俗易懂!

监督学习算法

利用matlab对样本进行训练，测试对比两种神经网络算法，准确率接近100%，内附有数据

基于无监督学习的医学图像非刚性配准项目完整代码

人工智能 大作业 python 监督学习实验代码，python3.6环境

这是 [1] 中详细描述的循环模糊神经网络 (RFNN) 的四种不同 S 函数实现的集合。 它是一个四层、神经模糊网络，专门通过第 2 层和第 4 层的误差反向传播进行训练。该网络采用 4 组可调参数。 在第 2 层：mean[i,j]、sigma[i,j] 和 Theta[i,j]，在第 4 层：权重 w4[m,j]。 该网络使用的可调参数比 ANFIS/CANFIS 少得多，因此其训练速度通常更快。 这使其成为在线学习/操作的理想选择。 此外，由于在第 2 层中使用了动态元素，它的近似/映射能力得到了提高。为输入空间分区选择了散点型和网格型方法。 [1] C.-H. 李，C.-C。 Teng，使用递归模糊神经网络识别和控制动态系统，IEEE 模糊系统汇刊，第 8 卷，第 4 期，第 349-366 页，2000 年 8 月。