SQL-for-Data-Science:加州大学戴维斯分校的Coursera

智利南方大学 INFO147：使用Python进行科学计算，2021年 负责人：Pablo Huijse H，在inf dot uach dot cl的phuijse UACh的计算机工程专业学位选修课和计算机工程硕士学位的选修课程。 建议通过克隆此存储库来保留课程资料的本地副本。 抽象的 使用Python进行科学计算的课程向学生介绍了数据科学的基本概念，使他能够使用Python 3编程语言提供的免费数值计算工具解决应用科学问题。 特别是，学生将学习读取，处理和预处理数据，从数据创建可视化效果，解决线性代数和优化的数值问题，通过基本的统计推断提取信息，并训练简单的模型进行回归，分类和预测。 内容 第1单元：使用Python进行数据管理 单元2：使用Python进行科学计算 概率基础 描述性统计 推论统计 单元3： 附件： （补充） Python 3评论 使用者介面 参考书目 主要

tntorch-使用PyTorch进行Tensor网络学习 ，这是一个由PyTorch支持的使用张量网络的建模和学习库。 这样的网络的独特之处在于（而不是非线性激活单元）。 功能包括： 张量的基本和奇特索引，广播，分配等 张量分解与重建 按元素和张量-张量算术 使用交叉逼近从黑盒函数构建张量 从张量中找到全局最大值和最小值 统计和敏感性分析 使用自动分化进行优化 杂项张量的运算：堆叠，展开，采样，求导等。 批处理操作（正在进行中） 可用的包括： 混合动力车：CP-Tucker，TT-Tucker等 其他分解，例如和自定义格式 例如，以下网络都以TT和TT-Tucker格式表示4D张量（即，可以采用I1 x I2 x I3 x I4可能值的实函数）： 在tntorch中，所有张量分解共享相同的接口。 您可以以透明的形式处理它们，就像它们是普通的NumPy数组或PyTorch张量

简单人工神经网络（ANN） 关于案例研究 在此业务案例研究中，我们预测了银行客户的流失率。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。从数百万的客户中，我们随机选择了1万个客户。 我们将使用客户的特征来确定他/她离开银行的可能性。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。 此外，我们将使用流行的Python库（例如Tensorflow，Keras）和机器学习技术（例如Adam Optimizer）来训练ANN模型并预测客户流失率。 数据：客户数据存储在： 论文：ANN案例研究论文： 研究论文 代码：Artificial_Neural_Network_Case_Study.py SAMPLE_OUTPUT = ANN_Case_Study_Sample_Output_1.png SAMPLE_OUTPUT = ANN_C

antz：ANTz沉浸式3D数据可视化引擎

Cybersecurity Data Science.pdf Cybersecurity Data Science.pdf Cybersecurity Data Science.pdf

kaggle信用数据科学竞赛 2018年Kaggle家庭信用违约风险机器学习竞赛完成的作品集 比赛可以在。 所有内核都可以在Kaggle上免费运行，可以在

布局 标题 上一次更改 维基 Jupyter笔记本 2020/11/15 12:41:21 深度学习 Scikit，学习上的IRIS数据集的感知器，神经网络，Keras。 TensorFlow Implementaion在MNIST数据集。 Softmax，交叉熵损失 使用PyTorch进行梯度计算。 层调试。 验证合并，连接方法。 在文本嵌入上验证Conv1D。 验证Image数据集上的Conv2D。 验证LSTM计算。 器具Seq2Seq学习的执行加法。 器具Seq2Seq有注意力用于添加任务。 注意机制 注意 自然语言处理 论文“神经概率语言模型（Bengio等，2003）”的实现 UCI新闻数据集上具有CNN的多类别分类。 基本字符级Seq2Seq模型 带有ELMo嵌入的情感分析。 AllenNLP教程 使用CNN / TensorBoard进行文本分类 BERT文章的示例代码。 常规机器学习 IRIS数据集的决策树可视化。 从头开始决策树从头开始 决策树，随机森林，UCI新闻数据集上的朴素贝叶斯。 在UCI新闻数据集上训练朴素贝叶斯分

Python中的随机森林 归纳法 我开始这个项目是为了更好地了解和工作方式。 此时，分类器仅基于基尼系数，而回归模型基于均方误差。 分类器和回归模型都可以与和 例子 使用Scikit学习的基本分类示例： from randomforests import RandomForestClassifier import pandas as pd from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV from sklearn.pipeline impo

数据科学工作 在此项目中，Glassdoor的所有20,000个数据科学工作被刮除并用于对数据科学工作市场进行深入分析。 使用频率和相关薪水分析个人技能，软件和资格，以从雇主的角度确定不同属性的价值。 还制作了一篇论文，正在审查中，以供在《数据科学期刊》上发表。