伦敦-scikit Data Science London 正在举办一场关于 Scikit-learn 的聚会。 本次比赛是尝试、分享和创建 sklearn 分类能力示例的练习场（如果这变成了有用的东西，我们可以跟进回归，或更复杂的分类问题）。 请参阅 Kaggle 网站

GDP_and_Employment_Rates_Prediction：一种机器学习回归模型，使用Python中的随机森林回归来预测国家的GDP和就业率

Helstrom量子质心分类器 Helstrom量子质心（HQC）分类器是一种受量子启发的监督分类方法，用于具有二进制类的数据（即，仅具有2类的数据）。 受到量子启发的意思是指采用和利用量子理论的分类过程。 它受到可观察到的量子Helstrom的启发，该量子行为作用于量子模式之间的可区分性，而不是数据集的经典模式。 HQC分类器基于Giuseppe Sergioli，Roberto Giuntini和Hector Freytes在他们的论文中进行的研究： Sergioli G, Giuntini R, Freytes H (2019) A new quantum approach to

sklearn库的whl.安装前需要对应的numpy，matplotlib和scipy。 适用于python3.8,64位Windows

python的机器学习库的轮子文件，可直接pip安装，由于从国外官网下载过慢，因此提供本资源，机器学习库是很有用的，他涵盖了大部分监督学习和无监督学习的算法，本文件对应Python版本为python38的64位版本

Hopfield-mnist 它包含两个python文件（mnist.py和hopfield4gif.py）。 mnist.py通过使用实现了一些获取和破坏的功能。 另一方面，hopfield4gif.py实现了训练和推断算法（即，外部产品构造和同步更新规则）。 给定训练数据（即MNIST手写数字）和偏差项，就可以确定Hopfield网络的所有参数，该网络从损坏的数据中重建训练数据。 主要功能输出由偏置项参数化的重建数据（80 png图像）的集合。 这些png图像用于制作由偏置项参数化的gif动画。

Big_Data_Project-伪造新闻检测 在这个项目中，我们展示了使用机器学习算法进行文本分类。 我们致力于对给定的新闻文章是假的还是真实的进行分类。 数据清理和预处理： 删除了文本中的特殊字符拼写检查了所有文档删除了停用词对文档进行矢量化处理。 向量化 对于矢量化，我们使用了-计数矢量化器，TFIDF矢量化器，哈希矢量化器。 分类 对于分类目的，我们使用了：多项朴素贝叶斯，支持向量机（LinearSVC），PassiveAgressiveClassifier。 我们比较了矢量化器和分类器的性能。 最后，我们使用集成模型来获得更高的精度。 我们使用scikit-learn最大投票分类器

机器学习支持的虚假新闻检测器 从初始构想到部署，构建端到端机器学习项目的完整示例。 此回购随附于博客文章系列，描述了如何构建假新闻检测应用程序。 这里包含的帖子： ：描述项目构想，设置存储库和初始项目工具。 ：描述如何使用工具获取数据集并执行探索性数据分析，以便更好地理解问题。 ：描述如何为第一个ML模型（随机森林分类器）获得功能训练/评估管道，包括如何正确测试管道的各个部分。 ：描述如何解释通过特征分析（通过诸如类的技术）和错误分析所学的第一个模型。 也可用于由驱动的第二个模型。 ：描述如何使用和部署模型以及构建随附的Chrome扩展程序。 还说明了用于以可伸缩和可复制的方式在应

pure-predict：纯Python中的机器学习预测