推特航空公司 来自美国主要航空公司客户的推特的情绪分析。 可以在以下博客文章中找到该项目的描述：

sentiment_analysis：亚马逊手机评论的情感分析

学习时的笔记及相关代码，笔记可见：https://blog.csdn.net/Morganfs/article/details/123926929?spm=1001.2014.3001.5501 学习来源：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.

SQL快速入门

describeX：面向数据科学家的可解释AI框架 ExplainX是面向数据科学家和业务用户的模型可解释性/可解释性框架。 使用explainX可以了解整体模型的行为，解释模型预测背后的“原因”，消除偏见并为您的业务涉众创建令人信服的解释。 为什么我们需要模型可解释性和可解释性？ 必不可少的 解释模型预测 调试模型 检测数据偏差 获得业务用户的信任 成功部署AI解决方案 我们可以用explainX回答什么问题？ 为什么我的模型出错？ 我的模特有偏见吗？ 如果是，在哪里？ 我如何理解和信任模型的决策？ 我的模型满足法律和法规要求吗？ 我们已在服务器上部署了该应用程序，因此您可以使用

scikit-hts：使用熟悉的API进行分层时间序列预测

新闻分类 根据新闻标题将新闻分类。 尝试了各种分类器-决策树，支持向量分类器，多项朴素贝叶斯分类器，多层感知器，随机森林。 多项式朴素贝叶斯分类器效果最好。 即使我们人类根据关键字进行分类，多项式朴素贝叶斯算法也能发挥最佳效果，这是合乎逻辑的。 我们很可能会预测“政治”，因为我们会看到诸如奥巴马，大选，共和国之类的关键词；如果我们看到诸如毒品，监狱之类的关键词，我们可能会预测“犯罪”。 朴素贝叶斯扫描整个数据集，并找到标题中每个单词与某个类别相关联的概率，然后找到整个标题的概率，因此效果很好。 安装 pip install numpy pip install scikit-learn pip

社区犯罪 使用python和scikit学习回归分析-社区和犯罪数据集（UCI）。

使用CNN的作者身份归属 给定某些作者提供的一组文档，请使用CNN正确标识其作者。 项目概况 我将使用卷积神经网络（CNN）进行文本分类。 我的项目的主要思想是对博客进行分类，因为某些作者正确地对博客进行了分类。 我还将把它与最先进的机器学习方法进行作者归因。 问题正在调查中 我要在此项目中解决的问题是作者身份归属。 出资归属是指给定一组作者提供的一组文档，然后创建一个系统，该系统在给定新的看不见的文档的情况下能够告诉该文档的原始作者。 这些系统如今已变得非常流行。 使用此类系统的一项重要技术是识别有争议的文件。 当两个或两个以上的人要求特定文件的作者身份时，就会出现此问题。 另一个讽刺意味是

CryptoForecasting：加密货币价格预测