IE598金融学机器学习，2018秋季，伊利诺伊大学香槟分校 马克最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰 型号概要： 探索性数据分析 预处理，特征提取，特征选择 模型拟合和评估，（您至少应拟合3种不同的机器学习模型） 超参数调整 组装 IE598金融学机器学习，2018年秋季最终小组项目 作者：约瑟夫·洛斯（Joseph Loss），杨若中，徐凤凯，冯彪和段玉辰

用于将python脚本保存为永久D-Tale启动点的接口。 入门 安装 $ pip install dtaledesktop 从命令行运行它： $ dtaledesktop 从python脚本运行它： import dtale_desktop dtale_desktop.run() 动机 是用于对熊猫数据进行探索性分析的功能极其强大且用途广泛的工具。 D-Tale Desktop在此基础上提供了一个界面，该界面简化了获取数据，清理/转换数据然后将其输入D-Tale的过程。 您可以将用于获取/转换数据的任意python代码片段保存为永久性的“条目”，然后就可以执行该代码并随时通过单击按钮打

kaggle数据集 可供所有人使用的Kaggle数据集集合 系统 Python 3.5 Python 3.6 Python 3.7 Linux 苹果系统 视窗 有关Kaggle数据集的更多信息 import kaggledatasets as kd heart_disease = kd . structured . HeartDiseaseUCI ( download = True ) # Returns the pandas data frame to be used in Scikit Learn or any other framework df = heart_disease . data_frame () # Returns the tensorflow dataset type compatible with TF 2.0 dataset = heart_disease . load () for batch , label in dataset . take ( 1 ): for key , value in batch . items ():

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！ （

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