Toward Joint Thing-and-Stuff Mining for Weakly Supervised Panoptic Segmentation

使用Python负责任的机器学习 训练可解释机器学习（ML）模型，解释ML模型以及调试ML模型的准确性，辨别力和安全性的技术示例。 概述 随着越来越多的经济体接受自动化和数据驱动的决策，使用人工智能（AI）和ML模型可能会变得越来越普遍。 尽管这些预测系统可能非常准确，但它们常常是难以理解且不受欢迎的黑匣子，它们仅产生数字预测，而没有附带的解释。 不幸的是，最近的研究和最近的事件引起了人们对脆弱的AI和ML系统中数学和社会学缺陷的关注，但是从业人员通常没有正确的工具来撬开ML模型并对其进行调试。 本系列笔记本介绍了几种方法，这些方法可以提高ML模型的透明度，责任感和可信赖性。 如果您是数据科学家或分析师，并且想要训练准确，可解释的ML模型，向您的客户或经理解释ML模型，测试这些模型的安全漏洞或社会歧视，或者您担心文档，验证或法规方面的问题要求，那么本系列Jupyter笔记本非常适合您！ （

CNN-文本分类-keras 它是中作为功​​能api的简化实现 要求 训练 运行以下命令，如果要更改它将运行100个纪元，只需打开 python model.py 对于新数据 您必须重建词汇表然后进行培训。 引文 @misc{bhaveshoswal, author = {Bhavesh Vinod Oswal}, title = {CNN-text-classification-keras}, year = {2016}, publisher = {GitHub}, journal = {GitHub repository}, howpublished =

剑桥大学出版社 The Text Mining Handbook - Advanced Approaches in Analyzing Ustructured Data (2007)

用于测试的数据集合，配套https://github.com/zhangxinxing/basic_of_datamining

入侵检测 使用各种数据挖掘技术的入侵检测（KDD Cup 1999数据） 数据集位于 使用的技术： K均值（K = 59） 准确度93.077％ 精确 召回 F1分数 支持 攻击。 0.95 0.96 0.96 250436 正常。 0.83 0.80 0.82 60593 平均/总计 0.93 0.93 0.93 311029 决策树 准确度92.956％ 精确 召回 F1分数 支持 攻击。 1.0 0.91 0.95 250436 正常。 0.74 0.99 0.85 60593 平均/总计 0.95 0.93 0.93 31

HCIE-Big_Data-Data_Mining_V2.0，自学，适合希望成为资深网络工程师的高级技术人才

HCIE-Big_Data-Data_Mining_V2.0，适合希望成为资深网络工程师的高级技术人才

space object dataset for data mining( can be opened by weka), classification: satellite, debris,rocket. Download from http://satellitedebris.net/Database in 2014-08-31. There are attributes of Space object like norad id, radar cross section, area to mass ratio, orbital parameters, size, etc.

Python数据挖掘 《 Python数据分析与挖掘实战》原始码和学习总结 第1章数据挖掘基础 第2章Python数据分析简介 第3章数据探索 第4章数据预处理 第5章挖掘建模 第6章电力窃漏电用户自动识别 第7章航空公司客户价值分析 第8章中医证型关联规则挖掘 第9章基于水色图像的水质评价 第10章家用电器用户行为分析与事件识别 第11章应用系统负载分析与磁盘容量预测 第12章电子商务网站用户行为分析及服务推荐 第13章财政收人影响因素分析及预测模型 第14章基于基站定位数据的商圈分析 第15章电商产品评论数据情感分析