启动成功还是失败？ 业务问题：投资创业公司的投资策略广泛地基于直觉或过去的经验。 结果，投资者主要依赖于需要解决的问题，创始人的背景，要解决的市场规模以及公司在尝到早期成功后的规模扩展能力。 我们在这里提出的问题是：“我们能否进行一些严格的分析，以用于识别相关因素并根据成功的潜力对潜在的初创企业进行评分”。 然后，该模型/分析将使投资者能够做出更明智的决定，并减少对直觉的依赖。 您将需要构建逻辑回归模型（仅）来预测启动将成功还是失败。 此外，您需要专注于数据准备和探索部分。 在应用任何建模算法之前，需要清理和探究给定的数据以使数据适合分析并选择要建模的特征。

简介项目 针对机器学习模型的成员资格推理攻击试图重现和研究以下论文中发布的结果，这是机器学习入门课程的一个班级项目的一部分： : CIFAR10_all_stages.ipynb包含在CIFAR 10数据集上作为该项目一部分进行的实验的A到Z代码。 - - - - - - - - - - - - - - - - - - - 阶段I - - - - - ------------------------------- 主要目标：这部分代码基本上为我们的攻击模型生成训练和测试数据 细节：对于[2500，5000，10000，15000]中的每个data_size，我们生成一个目标模型，并相应地生成10个阴影模型。 目标模型提供攻击模型的测试数据，影子模型提供攻击模型的训练数据。 目标模型中使用的数据与阴影模型中使用的数据完全脱节。 存储来自这

签名识别-MCYT-100

FDDC2018主题2 Python 3.5 Jupyter笔记本 日志： 6-20 Snowisch html到txt 6-21 Snowisch pdf到txt 6-24 Snowisch基本框架已创建

用于从 RGB 图像重建光谱的分层回归网络 NTIRE 2020 团队 OrangeCat 光谱重建挑战的 README 文件：用于从 RGB 图像重建光谱的分层回归网络。 我们的方法在轨道 2 中获得了第一名：真实世界的图像。 论文可下载： : HRNet架构 主网络（不同层通过PixelShuffle和PixelUnShuffle连接）： 主网建议使用的 ResDB 和 ResGB： 文件结构 NTIRE 2020 Spectral Reconstruction Challenge │ README.md │ validation*.py │ test*.py │ ensemble*.py │ └───track1 (saving the trained models of track1) │ │ code1_G_epoch9000_bs8.pth │

卡尔曼滤波 使用python的卡尔曼滤波器的基本实现

PU学习 积极的无标记机器学习实验 有关更多详细信息，请参。

带有Python的Neural Network Visualizer Web App 使用Streamlit的Neural Network Visualizer Web应用程序，以及使用Keras和Flask的简单模型服务器。 它使用Keras训练神经网络模型，并使用Keras的功能API创建具有多个输出的模型。 它是一个Web应用程序，可针对给定的输入可视化神经网络所有层的所有节点的输出。

数独 使用CNN模型以两种方式解决数独难题：直接（一次所有单元）和迭代（逐单元）。

LSTM_Stock_Predictor 由于加密货币投机活动的波动性，投资者通常会尝试结合社交媒体和新闻文章的观点来帮助指导其交易策略。 这样的指标之一就是 ，它试图使用各种数据源来产生加密货币的每日FNG值。 让我们使用FNG值和简单的收盘价来构建和评估深度学习模型，以确定FNG指标是否为加密货币提供比正常收盘价数据更好的信号。 我们将使用深度学习递归神经网络来建模比特币收盘价。 一个模型将使用FNG指标来预测收盘价，而第二个模型将使用收盘窗口来预测第n个收盘价。 方法： 准备数据以进行培训和测试 我们将使用n天窗口的时间窗口对数据进行切片。 对于Fear and Greed模型，我们将使用FNG值来尝试并预测收盘价。 对于收盘价模型，我们将使用之前的收盘价来尝试并预测下一个收盘价。 在每个模型中，我们将使用70％的数据进行训练，并使用30％的数据进行测试 使用MinMax