AI-Blocks：用所见即所得可视化界面创建机器学习模型

所有ML算法 它包括所有ML模型。（用于KTM和银行数据） 由所有ML预处理技术组成，如a。 采样技术（欠采样，过采样-ROS和SMOTE）b。 交叉验证（K折，分层K折）c。 主成分分析 具有HYPER参数校正的Boston数据集的套索和岭回归。 该存储库还包含我在编码文件中使用的RAW数据文件

基于神经语言模型的词向量表示技术能够从大规模的未标注文本数据集中自动学习词语的有效特征表 示，已经在许多自然语言处理任务及研究中取得重要进展．微博中的表情符号是微博情感分析最重要的特征之一， 已有大量的研究工作在探索有效地利用表情符号来提升微博情感分类效果．借助词向量表示技术，为常用表情符 号构建情感空间的特征表示矩阵ＲＥ；基于向量的语义合成计算原理，通过矩阵ＲＥ 与词向量的乘积运算完成词义 到情感空间的映射；接着输入到一个ＭＣＮＮ（Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　Ｃｏｎｖｏｌｕｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）模型，学习一个微博的情 感分类器．整个模型称为ＥＭＣＮＮ（Ｅｍｏｔｉｏｎ－ｓｅｍａｎｔｉｃｓ　ｅｎｈａｎｃｅｄ　ＭＣＮＮ），将基于表情符号的情感空间映射与深度 学习模型ＭＣＮＮ结合，有效增强了ＭＣＮＮ捕捉情感语义的能力．ＥＭＣＮＮ模型在ＮＬＰＣＣ微博情感评测数据集上 的多个情感分类实验中取得最佳分类性能，并在所有性能指标上超过目前已知文献中的最好分类效果．在取得以 上分类性能提升的同时，ＥＭＣＮＮ相对ＭＣＮＮ的训练耗时在主客观分类时减少了３６．１５％，在情感７分类时减少 了３３．８２％．

零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何： 建立一个可预测纽约市Airbnb价格的深度神经网络（使用scikit-learn和Keras） 建立一个REST API，根据模型预测价格（使用Flask和gunicorn） 在Google App Engine上将模型部署到生产环境 快速开始 要求： Python 3.7 Google Cloud Engine帐户 克隆此存储库： git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi

提出一种基于集成深度学习模型的情感状态检测方法.首先从脑电信号的时域、频域和时频域中提取4种表征情绪状态显著信息的初始特征;然后使用胶质细胞链改进的深度信念网络分别提取这些特征的高层抽象表示;最后利用判别式受限玻尔兹曼机对高层抽象特征进行融合,进行情感状态预测.在DEAP数据集上进行的实验显示,胶质链能够挖掘和利用EEG不同通道之间的相关性信息,而集成深度学习模型能够有效集成EEG信号在时域、频域和时频域蕴含的情感状态相关的显著性信息.

钻石无处不在 介绍 在世界上，钻石因其美观和特性而成为人们最垂涎的对象。 他们昂贵的采购和稀缺性使钻石产品在市场上具有很高的价值。 但是，可以根据钻石的特性计算出该值吗？ 在这个项目中，我们打算使用监督学习来创建预测模型，该模型使用一系列钻石变量来预测其他钻石的市场价值。 过程 打扫 清理过程首先检查数据集。 发现存在分类变量和数字变量的地方。 还观察到没有空值。 消除了无用的列，并对分类变量进行了编码，我们选择按序数形式对它们进行分类，因为存在分类顺序，因此考虑到顺序，将分类值替换为数值。 造型 使用的模型是线性回归，使用HyperOpt选择超参数的随机森林Reggresor，以及由Pycaret选择的第三个模型，最终将成为LightGradientBoostingMachine。 使用的度量是“ mean_square_error”。 数据 该项目使用的数据数据是从以下获得的

简介项目 针对机器学习模型的成员资格推理攻击试图重现和研究以下论文中发布的结果，这是机器学习入门课程的一个班级项目的一部分： : CIFAR10_all_stages.ipynb包含在CIFAR 10数据集上作为该项目一部分进行的实验的A到Z代码。 - - - - - - - - - - - - - - - - - - - 阶段I - - - - - ------------------------------- 主要目标：这部分代码基本上为我们的攻击模型生成训练和测试数据 细节：对于[2500，5000，10000，15000]中的每个data_size，我们生成一个目标模型，并相应地生成10个阴影模型。 目标模型提供攻击模型的测试数据，影子模型提供攻击模型的训练数据。 目标模型中使用的数据与阴影模型中使用的数据完全脱节。 存储来自这

LSTM_Stock_Predictor 由于加密货币投机活动的波动性，投资者通常会尝试结合社交媒体和新闻文章的观点来帮助指导其交易策略。 这样的指标之一就是 ，它试图使用各种数据源来产生加密货币的每日FNG值。 让我们使用FNG值和简单的收盘价来构建和评估深度学习模型，以确定FNG指标是否为加密货币提供比正常收盘价数据更好的信号。 我们将使用深度学习递归神经网络来建模比特币收盘价。 一个模型将使用FNG指标来预测收盘价，而第二个模型将使用收盘窗口来预测第n个收盘价。 方法： 准备数据以进行培训和测试 我们将使用n天窗口的时间窗口对数据进行切片。 对于Fear and Greed模型，我们将使用FNG值来尝试并预测收盘价。 对于收盘价模型，我们将使用之前的收盘价来尝试并预测下一个收盘价。 在每个模型中，我们将使用70％的数据进行训练，并使用30％的数据进行测试 使用MinMax

使用Web界面训练和部署机器学习模型-Docker，PyTorch和Flask 实时访问（在GCP上部署）： : 博客文章： ： 此仓库包含与以上博客文章相关的代码。 在本地/云计算机上运行 克隆仓库并构建docker镜像 sudo docker build -t flaskml . 注意：如果在容器中安装PyTorch时遇到MemoryError，请考虑将2G交换添加到虚拟机（ ） 然后，您可以在指定应用程序的绝对路径的同时运行容器 sudo docker run -i -t --rm -p 8888:8888 -v **absolute path to app directory**:/app flaskml 这将在localhost：8888上运行该应用程序 您可以使用serveo.net或Ngrok将应用程序移植到Web。 在Jetson-Nano上运行 在Je

深度学习模型转换器：针对不同深度学习框架软件的深度学习模型的转换器转换