下面列出的只是我参与的软件项目中的一小部分。beplay手机绑定要查看完整的列表,请查看我的GitHub帐户在https://github.com/rasbt和(代码]提供的连结出版物页面。

机器学习和深度学习



玉米

用深度神经网络进行有序回归的一种更灵活的方法。






珊瑚

提出了一种基于深度神经网络的序回归方法,解决了其他序回归框架的秩不一致问题。

  • 曹文智、瓦希德·米贾利利、塞巴斯蒂安·拉施卡(2020)
    神经网络秩一致有序回归及其在年龄估计中的应用
    模式识别字母140 325-331






MLxtend

MLxtend(机器学习扩展)是用于日常数据科学任务的有用工具的Python库。

  • Raschka, Sebastian (2018) MLxtend:为Python的科学计算堆栈提供机器学习和数据科学实用程序和扩展。J开源软件3(24)。






深度学习模型

各种深度学习模型在PyTorch和TensorFlow中实现。






半对抗神经网络的实现

实现SAN体系结构和模型,以赋予人脸图像性别隐私。

  • Mirjalili, Vahid, Sebastian Raschka, Anoop Namboodiri和Arun Ross (2018)半对抗网络:为面部图像提供隐私的卷积自动编码器。第11届IAPR生物识别国际会议(ICB 2018),澳大利亚黄金海岸。(最佳论文奖)






Python工具

Mputil

Mputil是一个基于Python的多处理标准库的库,它为内存高效的多处理提供了函数。






水印

一个IPython魔术扩展,用于打印日期和时间戳、版本号和硬件信息,以帮助可重复的研究。






PyBibTex

解析BibTeX文件和创建引文参考列表的实用函数。






计算生物学和生物信息学



BioPandas

Biopandas是一个Python库,用于处理熊猫数据框架中的分子结构。

  • Raschka, Sebastian (2017) BioPandas:在熊猫数据框架中研究分子结构。J开源软件2(14)。






ScreenLamp

ScreenLamp是一个Python工具包,可以对包含数百万种化合物的大分子库进行假设驱动、基于配体的筛选,并生成用于机器学习和数据挖掘应用的分子指纹。

  • Raschka, Sebastian, Anne M. Scott, Nan Liu, Santosh Gunturu, Mar Huertas, Weiming Li, and Leslie A. Kuhn(2018)“在大数据库中启用假设驱动的配体候选优先级:Screenlamp及其在入侵物种控制的GPCR抑制剂发现中的应用”。计算机辅助分子设计杂志






SiteInterlock

基于图论的蛋白质配体对接姿态选择新方法。SiteInterlock是Python包选择母语protein-ligand对接界面提出了基于假设硬化的蛋白质和配体被证明是本机绑定模式的重要特征和敏感空间耦合的交互和bond-rotational自由度接口。

  • Raschka, Sebastian, Joseph Bemister‐Buffington和Leslie A. Kuhn。"通过界面硬度检测本地配体取向:SiteInterlock "蛋白质:结构、功能和生物信息学84.12(2016): 1888 - 1901。






蛋白质识别指数(PRI)

蛋白质识别指数(PRI)测量了给定复合物(预测或设计)中的h键特征与Hbind识别的基于氢键相互作用的晶体配合物的特征h键趋势之间的相似性(论文中用于严格定义分子间h键的软件)beplay手机绑定施主/受主化学和几何约束)。

  • Raschka, Sebastian, Alex Wolf, Joseph Bemister‐Buffington和Leslie a . Kuhn(2018)“蛋白质配体界面极化:发现分子间氢键倾向于蛋白质方面的供体,这对预测和设计配体复合物有影响”计算机辅助分子设计杂志。计算机辅助分子设计杂志






Hbind -通过给体/受体化学和几何约束识别氢键

beplay手机绑定软件严格定义分子间的h键由施主/受体化学和几何约束,这是开发,使用,并详细描述在

  • Raschka, Sebastian, Alex Wolf, Joseph Bemister‐Buffington和Leslie a . Kuhn(2018)“蛋白质配体界面极化:发现分子间氢键倾向于蛋白质方面的供体,这对预测和设计配体复合物有影响”计算机辅助分子设计杂志。计算机辅助分子设计杂志