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

用于烹饪食谱检索的深度学习食物图像识别系统 演示：DeepChef 总览 更新：博客文章现已发布。 有关更多信息，请访问！ 例如用法，请访问此Jupyter Notebook： Maturaarbeit 2018：这项工作利用Keras的深度卷积神经网络将图像分类为230种食物并输出匹配的食谱。 数据集包含来自chefkoch.de的> 400'000食物图像和> 300'000食谱。 几乎没有任何其他领域能像营养一样对人类福祉产生类似的影响。 每天，用户都会在社交网络上发布无数的食物图片； 从第一个自制蛋糕到顶级米其林菜肴，万一菜肴成功，您将与世界分享快乐。 事实是，无论彼此之间有多大差异，美食都会受到大家的赞赏。 个别烹饪原料的分类或对象识别方面的进展很少。 问题在于几乎没有公开编辑的记录。 处理 该代码（Jupyter笔记本）提供了许多德语注释。 该过程如下所示： 1│──数据准备│└──清除数据│└──数据扩充 2│──数据分析和可视化，拆分数据（训练，有效，测试） 3│──使用简单ML模型的首次尝试│└──最近邻分类器（kNN） │└──k-均值聚类│└──支持向量机

用于股票预测的深度学习和机器学习 描述：这是用于学习，研究，研究和分析深度学习（DL）和机器学习（ML）中的股票。 使用不同类型的算法通过机器学习或深度学习预测股票。 对股票数据进行试验，以查看其工作原理，工作原理或为什么不这样工作。 在机器学习或深度学习中使用不同类型的库存策略。 在机器学习或深度学习中使用技术分析或基础分析来预测未来股价。 此外，可以长期或短期地预测库存。 机器学习是人工智能的一个子集，它涉及算法的创建，这些算法可以自动更改，而无需人工干预，从而通过结构化数据输入自身来产生输出。 另一方面，深度学习是机器学习的一个子集，其中创建了算法，但是深度学习就像机器学习一样，许多不