MATLAB血氧处理代码挑战链接： 介绍 败血症是一种危及生命的疾病，发生在人体对感染的React导致组织损伤，器官衰竭或死亡时（Singer等，2016）。 在美国，每年有近170万人患败血症，有270,000人死于败血症。 在美国医院中死亡的人中，有超过三分之一的人患有败血症（CDC）。 在国际上，每年估计有3000万人患有败血症，并且有600万人死于败血症。 估计有420万新生儿和儿童受到影响（WHO）。 脓毒症每年给美国医院造成的费用超过240亿美元（占美国医疗保健费用的13％），其中大部分费用用于未在入院时诊断出的脓毒症患者（Paoli等人，2018）。 在全球范围内，败血症的成本甚至更高，而发展中国家面临的风险最大。 总而言之，败血症是主要的公共卫生问题，导致大量的发病率，死亡率和医疗保健费用。 败血症的早期发现和抗生素治疗对于改善败血症结果至关重要，因为延迟治疗的每一小时都会使死亡率增加约4-8％（Kumar等，2006； Seymour等，2017）。 为了帮助解决这个问题，临床医生为脓毒症提出了新的定义（Singer等人，2016），但仍然需要尽早发现和治疗脓毒症的基

对最大似然估计中的交替投影算法，给出了其仿真的Matlab源程序。

心脏疾病分类器 使用多种ML算法（包括神经网络）的心脏病分类器！

用Python进行地质记录数据机器学习 使用Python中的机器学习（ML）技术分析了美国堪萨斯州一口井的地质测井数据。 对数据进行了概述，清理和分析，以发现重要的模式和关系，通过这些关系和关系我们发现了测井曲线之间的关系以及地层类型与测井曲线之间的关系。 使用此方法，当我们拥有该地区的先验地质知识后，就可以避免使用与地层类型相关或没有相对重要性的测井记录。 而且，一旦使用ML算法训练了数据，就可以成功地进行地层类型的预测。

汽车转售价值预测 这是一个Web应用程序，用于预测二手车的转售价值。 您也可以在访问Web应用程序。 使用的数据集 车辆数据集-来自Kaggle “ car data.csv”文件用于培训 使用的技术 Python 烧瓶 随机森林回归 泡菜 需要安装 点击== 7.1.2 烧瓶== 1.1.2 itsdangerous == 1.1.0 Jinja2 == 2.11.3 joblib == 1.0.1 MarkupSafe == 1.1.1 numpy的> = 1.19.5 scikit学习== 0.24.1 scipy> = 1.5.4 sklearn == 0.0 threadpoolctl == 2.1.0 Werkzeug == 1.0.1

kaggle_walmart_dataretail_analysis 货真价实的描述沃尔玛是美国领先的零售商店之一，希望准确预测销售和需求。 某些活动和节假日每天都会影响销售量。 有沃尔玛的45家商店的销售数据。 由于无法预料的需求，业务正面临挑战，并且由于不适当的机器学习算法，业务有时会断货。 理想的ML算法将准确预测需求并吸收诸如经济状况（包括CPI，失业指数等）之类的因素。沃尔玛全年举办几次促销降价活动。 这些降价促销是在最重要的假期（超级碗，劳动节，感恩节和圣诞节）之前进行的，这是假期中最大的四个假期。 在评估中，包括这些假期在内的星期的权重是非假期星期的五倍。 在缺乏完整/理想历史数据的情况下，这场比赛所面临的挑战之一是对降价促销对假期假日的影响进行建模。 提供了位于不同地区的45家沃尔玛商店的历史销售数据。

matlab的绿色全要素生产率非期望DEA-ML算法.docx

INSE6180 使用3个研究论文的数据挖掘算法实现。 该项目使用所有上述算法对从IMDb数据库获得的数据进行ML分析。 这些算法（朴素贝叶斯算法，决策树算法和支持向量机）在不同的数据集上效果最佳，但为了使它们更公平，已使用了新的IMDb数据库。 首先，对数据进行清洗，预处理，修剪然后整合，以便为分类器提供可能的最佳有意义数据。 考虑到要进行分析，分类器从头开始用Python语言编写了脚本。 最后，在已开发的分类器中进行分析，并进行比较研究。 队友：Gursimran Singh –40080981 Ufuoma Ubor-40072909 Darshan Dhananjay –40079241 Ashmeet Singh -40070369 V. Subramaniyaswamy，MV Vaibhav，RV Prasad和R. Logesh，“使用多元回归和SVM预测电影票房成功

kdd99ml 使用kdd99数据集的SciKit ML算法演示 基于Charanpal Dhanjal的工作 所使用的数据集是KDD Cup 99数据集 要下载数据集： 下载具有以下内容的KDD Cup 99数据集： wget 要么 wget 并解压缩。 第一个约占740MBytes，第二个约占71MBytes。 如果您使用较小的数据集，请在代码中调整文件名：raw_data_filename = data_dir +“ kddcup.data”更改为raw_data_filename = data_dir +“ kddcup.data_10_percent” 使用pyt

不同ML算法的基准测试在Criteo 1TB数据集上