Python中基于机器学习的因果推理/提升 内容： ••• causeinfer是一个Python软件包，用于使用机器学习来估计平均和条件平均处理效果。 它的目标是编译标准和高级的因果推理模型，并展示其用法和功效-所有这些都具有帮助人们在商业，医学和社会经济领域学习CI技术的总体雄心。 请参阅以获取该软件包的完整概述，包括模型和数据集。 安装 causeinfer可以通过pip从PyPI下载或直接从此存储库中获取： pip install causeinfer git clone https://github.com/andrewtavis/causeinfer.git cd causeinfer python setup.py install import causeinfer 申请 因果推理算法 两种模型方法 对治疗和对照组的单独模型进行了训练和组合，以得出平均治疗效果（Hanso

情绪识别 涉及使用脑电图（EEG）信号进行情感识别的项目。 EEG .mat文件来自其DEAP数据集，由伦敦玛丽皇后大学提供。 目的是确定脑电信号的生存力，以此作为识别“情感计算”思想的动机，从而识别不同的情绪状态。 数据集 数据集包含来自32位参与者的生理数据。 每个参与者观看了40个一分钟长的音乐视频摘录，并且在每次观看过程中都记录了生理信号。 然后，参与者根据效价，唤醒，喜好和支配性对每次观看视频的体验进行评分。 生理数据由40个特征组成-32个EEG读数通道； 另外还包括8个外围读数，例如皮肤温度，呼吸幅度，眼电图（EOG），心电图（ECG），皮肤电React（GSR），体积描记仪的血容量以及Z肌和斜方肌的肌电图（EMG），但所有这些都是多余的。 根据10-20系统进行EEG记录，并按照标准记录了32个EEG通道。 数据预处理 脑电记录 从数据集中获得的EEG数据已在源中进行

Bike-share-project:使用Python t了解美国的Bikeshare数据，计算统计数据并建立一个交互式环境，用户可以在其中选择数据并过滤数据集以进行分析

亚历克斯 用于表格数据的最先进的自动机器学习python库 适用于任务： 二进制分类 回归 多类分类（正在进行中...） 基准结果 越大越好从 方案 特征 自动数据清理（自动清理） 自动化特征工程（Auto FE） 智能超参数优化（HPO） 特征生成 功能选择 型号选择 交叉验证 优化时限和提前停止 保存并加载（预测新数据） 安装 pip install automl - alex 文件 :rocket: 例子 分类器： from automl_alex import AutoMLClassifier model = AutoMLClassifier () model . fit ( X_train , y_train , timeout = 600 ) predicts = model . predict ( X_test ) 回归： from automl_alex impor

Seglearn Seglearn是用于机器学习时间序列或序列的python软件包。 它提供了用于分割，特征提取，特征处理和最终估计器的集成管道。 Seglearn提供了一种灵活的方法来处理多元时间序列和相关的上下文（元）数据，以进行分类，回归和预测问题。 提供了使用经典机器学习和深度学习模型的学习时间序列的支持和示例。 它与兼容。 文献资料 安装文档，API文档和示例可在找到。 依存关系 seglearn经过测试可在Python 3.5下工作。 依赖关系要求基于最新的scikit-learn版本： scipy（> = 0.17.0） numpy（> = 1.11.0） scikit学习（> = 0.21.3） 此外，要运行示例，您需要： matplotlib（> = 2.0.0） 神经网络示例的keras（> = 2.1.4） 大熊猫 为了运行测试用例，您需要： pyt

BioSPPy-Python中的生物信号处理 用Python编写的用于生物信号处理的工具箱。 该工具箱将各种信号处理和模式识别方法捆绑在一起，旨在进行生物信号分析。 强调： 支持各种生物信号：PPG，ECG，EDA，EEG，EMG，呼吸 信号分析原语：滤波，频率分析 聚类 生物识别 可以在以下位置找到文档： : 安装 使用pip可以轻松完成安装： $ pip install biosppy 简单的例子 下面的代码从examples文件夹中加载ECG信号，对其进行过滤，执行R峰检测并计算瞬时心率。 from biosppy import storage from biosppy . signals import ecg # load raw ECG signal signal , mdata = storage . load_txt ( './examples/ecg.txt'

广告优化：使用强化学习算法（如汤普森采样和上限可信度）来优化最佳广告

数据科学竞争 该仓库用于记录和定期提供各大数据科学竞赛的事件消息和原始基线，思路分享以及博主的一些竞赛心得和学习资料等。主要涵盖：kaggle，阿里天池，华为云大赛校园赛，百度aistudio，和鲸社区，datafountain等 2021/3/3 （ 5/1166等级） 2021/2/19 （银牌） :2nd_place_medal: ） 2021/1/05 （冠军） （亚军） 2020/12/22 （ Rank6三等奖） （ Top4％ ） 2020/11/15 （ Top1％ ） 2020/10/15： （亚军） （初赛Rank4 ，复赛Rank7 ） （亚军） （三等奖） 2020/10 / （赛道一： Rank10 ，赛道二： Rank4方案） （三等奖）

统计学习：Trevor Hastie和Rob Tibshinari的“统计学习”斯坦福课程的幻灯片和R会议

数据科学周刊-2018 在发散图像中找到原子核以促进医学发现 现货核。 速度治愈。 想象一下，加快对几乎所有疾病的研究速度，从肺癌，心脏病到罕见疾病。 2018年数据科学杯提供了我们迄今为止最雄心勃勃的任务：创建一种算法来自动进行核检测。 我们都看到人们患有癌症，心脏病，慢性阻塞性肺疾病，阿尔茨海默氏病和糖尿病等疾病。 许多人看到亲人去世了。 想想如果治愈更快的话，将会改变多少生命。 通过自动进行核检测，您可以帮助更快地解锁治疗方法-从罕见疾病到普通感冒。 Kaggle的深度学习教程使用Keras，在发散图像中查找原子核以推进医学发现竞赛 本教程说明如何使用构建深层神经网络，以在发散图像