医学人工智能 第一周 第二周 第三周

Python数据分析_二手房房价分析与预测系统_源代码 B站功能展示video地址： https://www.bilibili.com/video/BV1xY4y1G7GU?vd_source=17a54a65e7ad5618c183f7176df0df12#reply118026854496

本文来自于segmentfault，文章详细介绍了Python中如何使用scikit-learn模型对分类、回归进行预测的实现原理等相关知识。摘要：在Python中如何使用scikit-learn模型对分类、回归进行预测？本文简述了其实现原理和代码实现。一旦你在scikit-learn中选择好机器学习模型，就可以用它来预测新的数据实例。初学者经常会有这样的疑问：在本教程中，你将会发现如何在Python的机器学习库scikit-learn中使用机器学习模型进行分类和回归预测。文章结构如下：1.如何构建一个模型，为预测做好准备。2.如何在scikit-learn库中进行类别和概率预测。3.如何

对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等）。 了解更多 --- ----- -， --- 该图书馆正在不断发展中。 欢迎反馈，错误报告和贡献

使用多种方法完成MNIST分类任务 Python 3.6 Pytorch 1.0 Scikit-learn 0.21 无需下载数据直接跑，代码自动下载 逻辑回归 Logistic Regression 多层感知机 MLP K近邻 KNN 支持向量机 SVM 卷积神经网络 CNN 循环神经网络 RNN

turbofan_failure：飞机发动机故障预测模型

把文件scikit_learn-0.24.2-cp36-cp36m-win_amd64.whl下载到本地后的安装方法见博文https://blog.csdn.net/wenhao_ir/article/details/125260565

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition (2022最新版)

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

本资源是以压缩包的形式的，里面是pdf格式的文档。 《笨办法学python》第三版的页面是没有彩色的， 笨办法学python》第四版的页面是有彩色的，使得学习者一看就能区分内容的性质。 笨办法学python》第四版的下载链接：https://download.csdn.net/download/qq_34536551/10563042 有需要的朋友可以下载。 本书是一本Python入门书籍，适合对计算机了解不多，没有学过编程，但对编程感兴趣的读者学习使用。这本书以习题的方式引导读者一步一步学习编程，从简单的打印一直讲到完整项目的实现，让初学者从基础的编程技术入手，最终体验到软件开发的基本过程。 　　本书结构非常简单，共包括52个习题，其中26个覆盖了输入/输出、变量和函数三个主题，另外26个覆盖了一些比较高级的话题，如条件判断、循环、类和对象、代码测试及项目的实现等。每一章的格式基本相同，以代码习题开始，按照说明编写代码，运行并检查结果，然后再做附加练习。 　　Zed Shaw完善了这个堪称世上最好的Python学习系统。只要跟着学习，你就会和迄今为止数十万Zed教过的初学者一样获得成功。