肝分割项目 目的：目的是通过计算机视觉在患者扫描时自动描绘肝脏。 所使用的方法来自研究论文 在此项目中，我们将这种方法应用于本研究论文描述的肝图像分割。 数据 提供NifTi格式的数据。 该数据集包含20种3D医学检查，我们为每项检查都提供了源图像以及肝脏分割的遮罩。 我们使用nibabel库（ ）来读取关联的图像和蒙版。 模型 我们训练了一个U-net架构，一个完全卷积的网络。 该体系结构的原理是在通常的签约网络中添加带有上采样运算符的层而不是池。 这允许网络学习上下文（契约路径），然后学习本地化（扩展路径）。 由于跳过连接，上下文信息被传播到更高分辨率的层。 因此我们拥有与输入相同大小

建议下载pyecharts(0.5.xx)版本，如果使用 pip install pyecharts 默认安装V1版本(如1.7.1)会出现如下报错： 1、Bar模块导入问题 from pyecharts import Bar 报错： cannot import name ‘Bar’ 解决办法： from pyecharts.charts import Bar 2、Bar 使用报错 from pyecharts import Bar bar =Bar("我的第一个图表", "这里是副标题") #标题 bar.add("服装", #标签 ["衬衫", "羊毛衫", "雪纺衫"

基于jupyter notebook的python编程—–利用梯度下降算法求解多元线性回归方程，并与最小二乘法求解进行精度对比目录一、梯度下降算法的基本原理1、梯度下降算法的基本原理二、题目、表格数据、以及python环境搭建1、多元线性回归分析求解题目2、准备的多元线性回归方程的变量的表格数据3、搭建python环境三、梯度下降算法求解多元线性回归的方程的python代码实现1、导入基本库、数据，并为变量赋值2、定义系数初始值以及学习率和迭代次数3、定义最小二乘法函数-损失函数（代价函数）4、定义梯度下降算法求解线性回归方程系数python函数5、代用函数，进行系数求解，并打印6、画出回归方

金融课程 EDHEC商学院有关Coursera上使用python构建投资组合的金融课程的注释和示例。 这些课程是Python和机器学习专业化的投资管理的一部分： : 第一门课程：使用Python构建投资组合和分析入门， 链接： : 。 主题： 收益与风险价值 投资组合优化简介 超越多元化 资产负债管理导论 第二门课程：使用Python进行高级投资组合构建和分析， 链接： : 。 主题： 风格和因素 协方差矩阵的稳健估计 可靠的预期收益估算 实践中的投资组合优化 第三门课程：用于资产管理的Python和机器学习 链接： ： 主题： 介绍机器学习的基础 机器学习技术

V0.5.X版本的pyecharts使用： from pyecharts import Bar bar = Bar("我的第一个图表","这里是副标题") bar.add("服装",["衬衫","羊毛衫","雪纺衫","裤子","高跟鞋","袜子"],[5, 20, 36, 10, 75, 90]) bar #不需要bar.render(),直接bar就可以输出图片 V1.0.X版本的pyecharts使用： from pyecharts.charts import Bar bar = Bar() bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高

Stanford CS229 Python机器学习 该存储库包含问题集以及Stanford CS229-在Coursera上用Python 3编写的机器学习课程的解决方案。我还记了一些其他注释。 请查看和。 请注意，您的解决方案将不会获得评分，也不会以任何方式隶属于Coursera。 如果您的答案与我的不同，并且您认为自己的答案更好，请在创建一个问题。 安装 确保已安装jupyter笔记本。 您可以在找到说明。 使用以下Python软件包： 您可以使用以下命令安装所有依赖项： python3 -m pip install -r requirements.txt 使用说明 请从Coursera课程下载练习（pdf）。 笔记本电脑中包含一些说明。 在练习笔记本中完成练习。 将您的答案与解决方案笔记本中的代码进行比较。 内容 线性回归 逻辑回归与正则化 多类分类和神经网络 神经网络学习 正则化线性回归与偏差与方差 支持向量机 K-均值聚类和主成分分析 异常检测和推荐系统 版权声明 此仓库中的所有代码，练习，数据和其他文件均为:copyright:Stanford Universi

在 Jupyter Notebook 上用 Python 实现的一元线性回归，包括源码和数据，大家可以学习参考使用

geopandas-spatial-join-example：如何使用geopandas和Python将点连接到多边形数据的示例

generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型

收入预测者：该项目涉及使用人口普查中的机器学习收入数据集来预测收入是否高于或低于每年$ 50K