wenwenji's Stars
hzy46/Deep-Learning-21-Examples
《21个项目玩转深度学习———基于TensorFlow的实践详解》配套代码
labmlai/annotated_deep_learning_paper_implementations
🧑🏫 60+ Implementations/tutorials of deep learning papers with side-by-side notes 📝; including transformers (original, xl, switch, feedback, vit, ...), optimizers (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillation, ... 🧠
pumpikano/tf-dann
Domain-Adversarial Neural Network in Tensorflow
fungtion/DANN
pytorch implementation of Domain-Adversarial Training of Neural Networks
carpedm20/DCGAN-tensorflow
A tensorflow implementation of "Deep Convolutional Generative Adversarial Networks"
kaieye/2022-Machine-Learning-Specialization
yangxue0827/Generative_Adversarial_Nets
zhangqianhui/AdversarialNetsPapers
Awesome paper list with code about generative adversarial nets
stephanieger/imbalanced-sequence-classification
Methods for generating synthetic minority data for multivariate temporal data to improve classification accuracy.
imsb-uke/scGAN
Realistic in silico generation and augmentation of single cell RNA-seq data using Generative Adversarial Neural Networks
Tannerversety/angle-detection-and-image-reconstruction-project-fr-version-
La problématique de ce projet est de reconstituer une image représentant un paysage incliné en la même image avec le même paysage non incliné. De plus, on cherche à effectuer ce travail sans tronquer l'image initiale.Lors de la prise de photo, particuliérement dans le cadre de l'utilisation du zoom, une légére rotation non désirée de l'appareil peut aboutir à un résultat plus ou moins incliné. Cela peut aboutir au rejet de la photo car la symétrie de ce qui est représenté est brisée et l'esthétique altérée.Bien entendu, des applications existent pour recadrer la photo. Cependant celles-ci doivent effectuer une combinaison de deux procéssus : une rotation et un zoom.La phase de zoom, s'accompagne donc nécessairement d'un découpage de l'image et donc d'une perte d'information.L'objectif de ce projet est double : premièrement détecter automatiquement l'angle d'inclinaison de l'image. Cet angle varie entre -pi/2 et +pi/2 radians. Cela constitue un exercice non trivial puisque l'algorithme doit comprendre les objets inhérents à l'image. Il doit par exemple identifier des arbres sur une image de forêt et comprendre que ces derniers poussent à la verticale, il doit aussi pouvoir comprendre la topographie de ce que représente l'image et pouvoir identifier des montagnes (la zone de démarcation entre le ciel et la terre n'est donc pas forcément horizontale).Pour effectuer ce travail nous utilisons un réseau de neurones pré-entrainés sur imageNet, et réalisons un exercice assez analogue à celui que nous avions réalisé dans le cadre de l'identification de races de chiens. Nous utilisons un réseau de type ResNet50 car ce dernier est de dimmension relativement modérée en comparaison d'un Xception. Nous assumons que le gain de performance de réseaux plus profonds ou contenant plus de paramètres n'est pas utile puisque nous cherchons à identifier des structures assez générales (ciel, nuages, arbres, collines). Nous assumons par ailleurs que le corpus d'entrainement (ImageNet) contient suffisamment d'images de paysages pour identifier les structures caractéristiques. Nous ajoutons deux couches denses de 500 et respectivement 50 neurones, un dropout de 0.25 et une batch-normalisation, nous utilisons en sortie un seul neurone dont le rôle est de donner l'angle de rotation. Nous ramenons les angles à une valeur entre 0 et 1 et utilisons une fonction d'activation de type sigmoïde. Nous utilisons une erreur de type RMSE. Nous partageons dés le début notre dataset d'images appareillées générées en trois groupes (entrainement, validation et test) et calibrons l'arrêt de l'entrainement en visualisant la fonction de coût sur le jeu de validation. Nous analysons les résultats sur le jeu de test. Après 150 epochs et en utilisant une taille de mini-batch de 10 nous obtenons une erreur de quelques degrés, bien inferieure à l'erreur statistique moyenne d'environ 25 degrés. Notons que le corpus d'entrainement contient des images de paysages variés dont l'angle d'inclinaison peut parfois être difficilement interprétable à l'oeil nu. Nous pourrions envisager d'obtenir de meilleurs résultats en réentrainant les dernières couches du resnet50 en partant du principe que les structures qui interviennent dans le calcul de l'angle ne sont pas forcément bien représentées par la sortie du resnet50. Il est tout à fait possible de générer des données d'entrainement. Il suffit, de prendre des images dont le contenu représenté est jugé droit, d'effectuer une combinaison rotation/zoom de sorte à obtenir une nouvelle image dont le contenu est incliné de l'angle désiré. Nous effectuons ce travail en faisant varier l'angle d'inclinaison de -pi/5 à +pi/5 radians de manière complètement aléatoire. Notre dataset initial contient 3600 images et nous effectuons 3 itérations ce qui équivaut à effectuer de la data-augmentation.
Jenniferz28/Time-Series-ARIMA-XGBOOST-RNN
Time series forecasting for individual household power prediction: ARIMA, xgboost, RNN
pyaf/load_forecasting
Forecasting electric power load of Delhi using ARIMA, RNN, LSTM, and GRU models
MrTangsai/BearLSTM
with LSTM method to solve bearing fault diagnosis classification
mingzhangPHD/Transfer-Learning-for-Fault-Diagnosis
This repository is for the transfer learning or domain adaptive with fault diagnosis.
songyer/Fault_Diagnosis
基于深度学习的滚动轴承故障诊断方法
AaronCosmos/wdcnn_bearning_fault_diagnosis
wdcnn轴承故障模型
huzaifsayed/Linear-Regression-Model-for-House-Price-Prediction
Linear Regression Model for Real State House Price Prediction
zhangjiali1201/Keras_bearing_fault_diagnosis
liuzhuang13/DenseNet
Densely Connected Convolutional Networks, In CVPR 2017 (Best Paper Award).
littlelittlewhite09/Bearing_Fault_recognition
利用西储大学开源的轴承故障数据，开发简单的人工神经网络，以实现对轴承故障的检测及识别。
xiaosongshine/bearing_detection_by_conv1d
[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780）
Shitao-zz/Kaggle-House-Prices-Advanced-Regression-Techniques
Udacity capstone project: Kaggle competition on house prices prediction using advanced regression techniques
L1aoXingyu/kaggle-house-price
这是kaggle房价预测的baseline
mryuan0428/House-price-prediction
房价预测完整项目：1.爬取链家网数据 2.处理后，用sklearn中几个逻辑回归机器学习模型和keras神经网络搭建模型预测房价 最终结果神经网络效果更好，R^2值0.75左右
minimaxir/automl-gs
Provide an input CSV and a target field to predict, generate a model + code to run it.
a-bean-sprout/XGBoost_StockPricePredict
Attempt to use XGBoost in stock price prediction
apachecn/xgboost-doc-zh
XGBoost 中文文档
maruitao/MySDP
研究生毕业课题：基于迁移学习和PU学习的软件故障检测研究
TommyZihao/zihaopython
follow me and learn python easily