足球预测 SoccerPredictor使用机器学习来预测英超联赛的比赛结果，重点是预测胜负（对应于对双倍机会的押注）。 预测以非常规方式建模为时间序列分类。 将为每个团队创建一个神经网络模型，并同时对其进行训练。 注意：请记住，由于我没有发布数据集，因此您将无法进行实际的培训。 如果您想对其进行测试，则必须自己组装。 提供更有趣功能的网站很难抓取，但绝对有可能。 因此，如果您想构建类似的东西或者只是看看我是如何实现各种东西的，则可以将其作为主要灵感。 如果没有数据集，则只能对附加的文件集进行可视化和回测。 这主要用于演示目的。 请参考随附的以获取有关该程序如何工作的更多信息。 结果 在测试期间，获得的最佳结果是利润1069 % ，预测精度约为90 % ，ROI为33.4 % 。 测试期间的时间跨度为113天，押注了150场比赛中的32场。 安装 运行该程序需要手动安装，例如：

Machine Learning Interview Questions

FIFA-2019-分析 这是一个基于FIFA世界杯2019的项目，使用数据分析和数据可视化分析团队，球员，国家和其他相关事物的绩效和效率 关于 关于此文件，data.csv包括最新版本的FIFA 2019球员属性，例如年龄，国籍，总体，潜力，俱乐部，价值，工资，惯用脚，国际声誉，弱脚，技能移动，工作率，位置，球衣号码，已加入，贷款人，合同有效期至，身高，体重，LS，ST，RS，LW，LF，CF，RF，RW，LAM，CAM，RAM，LM，LCM，CM，RCM，RM，LWB，LDM，CDM，RDM ，RWB，LB，LCB，CB，RCB，RB，交叉，精加工，航向，准确性，短传，截击，盘带，曲线，F

初步回归法matlab代码很棒的机器学习 精选的很棒的机器学习框架，库和软件的列表（按语言）。 受到awesome-php启发。 如果您想为该列表做出贡献（请这样做），请向我发送拉取请求或与我联系。 另外，在以下情况下，不建议使用列出的存储库： 存储库的所有者明确表示“未维护此库”。 长时间（2〜3年）未提交。 更多资源： 有关可下载的免费机器学习书籍列表，请访问。 有关在线可用的（主要是）免费的机器学习课程的列表，请访问。 有关数据科学和机器学习的博客列表，请访问。 有关免费参加的聚会和本地活动的列表，请访问。 目录 写个脚本把它们爬下来- 杀伤人员地雷 通用机器学习 -APL中的朴素贝叶斯分类器实现。 C 通用机器学习 -Darknet是一个用C和CUDA编写的开源神经网络框架。 它快速，易于安装，并支持CPU和GPU计算。 -使用协作过滤（CF）的产品推荐/建议的AC库。 -基于scikit-learn算法的混合推荐系统。 -neonrvm是基于RVM技术的开源机器学习库。 它是用C编程语言编写的，并带有Python编程语言绑定。 计算机视觉 -基于C /缓存/核心的计算机视觉库

4.机器学习项目 我已经使用sklearn库实现了一些机器学习项目。

使用机器学习进行疾病诊断 医疗保健领域的机器学习模型。 乳腺癌检测-使用KNN和SVM 糖尿病发作检测-使用神经网络和网格搜索 角膜动脉疾病（心脏病）诊断-使用神经网络 自闭症谱系障碍（神经发育障碍）诊断-使用简单的神经网络 数据集从UCI机器学习存储库获得。

Python应用机器学习-密歇根大学--Coursera Coursera MOOC的课程材料：密歇根大学的Python应用机器学习，Python专业化应用数据科学课程3

机器学习模型的python与类库实现 本repo以李航博士的《统计学习方法》为路线，逐章讲解并实现其中所有的算法；从而，再加上常用的机器学习模型，例如GBDT，XGBoost，Light GBM，FM，FFM等，力争将传统的机器学习方法能够融汇互换 :party_popper: 。 统计学习方法｜感知机模型 模型理论讲解： 模型代码实现： ， 统计学习方法｜ K近邻 模型理论讲解： 模型代码实现： ， 统计学习方法｜朴素贝叶斯 模型理论讲解： 模型代码实现： ， 统计学习方法｜决策树 模型理论讲解： 模型代码实现： ， 统计学习方法｜ logistic回归 模型理论讲解： 模型代码实现： ， 机器学习｜ softmax 模型理论 模型代码实现： 统计学习方法｜最大熵模型 模型理论讲解： 模型代码实现： 统计学习方法｜支持向量机 模型理论讲解： 模型代码实现： ， 统计学习方法｜

假新闻是社会上的一个严重问题。 人们对新闻的过分依赖是在互联网和社交媒体上传播假新闻的巨大动机，这需要将其与真实情况区分开。 为了填补这一安全空白，目前正在研究各种机器学习，人工智能，自然语言处理以及其他相关的信息和技术工具，以将彼此隔离。 在本文中，我们将假新闻视为一个问题，通过过度研究“基于样式”的方法来研究将假新闻分类为不同类型，将新闻分为假新闻或真实新闻的方法。 我们还将研究分类中使用的机器学习和自然语言功能以及度量，并了解如何应用机器学习来检查此问题。 最后，我们将在印度新闻中应用其中一些方法，并了解它们的效果。

Machine learning is a subfield of computer science that is concerned with building algorithms which, to be useful, rely on a collection of examples of some phenomenon. These examples can come from nature, be handcrafted by humans or generated by another algorithm. Machine learning can also be defined as the process of solving a practical problem by 1) gathering a dataset, and 2) algorithmically building a statistical model based on that dataset. That statistical model is assumed to be used somehow to solve the practical problem. To save keystrokes, I use the terms “learning” and “machine learning” interchangeably