乳腺癌预测 使用各种公共数据集和深度学习技术预测癌症

足球/足球运动员的价格预测，参加每个欧洲，亚洲或美国联赛的球员的数据/价格。

多类别心脏疾病预测 使用ANN进行多个类别的心脏病预测

说明： 使用三种图卷积做一个简单的交通流量预测模型。 我所用的环境： PyTorch=1.4.0 torchvision=0.5.0 cudatoolkit=10.1 cudnn=7.6.3 若哪里不足请指出来，共同学习。

生存卷积模型用于COVID-19预测 冠状病毒疾病COVID-19已在世界范围内引发了重大的健康危机。 必须预测该疾病的流行，调查遏制和缓解措施对感染率的影响，并在国家之间进行比较。 用于传染病建模的现有方法是SEIR模型，该模型依赖于许多不可测的先前假设（例如，拟合过去的流感数据），并且在较宽的预测间隔内不可靠。 我们开发了一个健壮的生存-卷积模型，该模型具有很少的参数，其中包含未知患者零日期，潜伏潜伏期和随时间变化的繁殖数。 标题： 作者：王勤霞a ，谢尚宏a ，袁家佳a ，曾冬林b 机构： 美国纽约，哥伦比亚大学，梅尔曼公共卫生学院，生物统计学系 北卡罗来纳大学吉林斯公共卫生学院生物统计学系，美国北卡罗来纳州查帕尔希尔 通讯人：博士（ ）和曾（ ） ：王Q，谢S，王Y，曾D（2020）。 生存卷积模型预测COVID-19病例并评估缓解策略的效果。 公共卫生前沿8（20

股票价格预测 目录 介绍 该项目是我对Udacity的数据科学家纳米学位计划的基本项目。 我们将实现两种机器学习算法（移动平均值和LSTM）来预测公司的未来股价。 然后，我们从这两种算法中选择最佳算法来开发自己的股价预测指标。 该项目包括Python脚本，交易者可以在其中输入历史股票价格数据以获得训练有素的LSTM模型。 然后，可以使用经过训练的模型来预测未来的股票价格。 该项目随附的博客文章 档案说明 股票价格预测.ipynb-用于股票价格预测的Jupyter笔记本。 train.py-借出历史股价数据并训练LSTM模型的Python脚本。 Forecastor.py-用于借出历史股价数据和将来预测股价的Python脚本。 文件夹：数据 排爆INTC.csv -历史股价数据从 。 文件夹：型号 model.pkl-腌制文件中经过训练的LSTM模型。 scaler.gz-保存在存档文

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

胰腺癌（PAAD）是癌症死亡的第三个最常见的原因，小于5％的总体5年生存率，并预计到2030年将成为第二大美国癌症死亡率的原因。 Cancer prediction_datasets..txt

流失预测 使用人工神经网络的客户流失预测 问题陈述 任务是预测某个客户是否会放弃公司。 也就是说，要预测“客户流失”属性。 通常，为每个客户国家/地区提供的信息帐户长度区号电话国际计划VMail计划VMail消息日间日间通话日间收费夏娃·明斯平安夜电话夏娃冲锋夜分钟夜间通话夜间收费国际分钟国际通话国际收费客户服务电话搅拌？ 内容 数据探索 数据预处理 训练模式 可视化模型

端到端ML房屋价格预测 一个端到端的机器学习项目，用于预测加利福尼亚的房价。 从头到尾构建机器学习项目的所有必需阶段。 它在机器学习项目中考虑以下“ HOWS”： 获取数据 可视化并从发现中获取意义 准备不同的机器学习算法 如何选择和训练模型 如何微调模型 如何保存模型 它在两者之间给出了一些说明，以在Jupyter笔记本中提供一些说明。 使用的数据集是housing.csv Jupter笔记本电脑是端到端的ML_外壳 致谢：Aurelien Geron