世界幸福报告 幸福分数是对盖洛普世界民意测验（GWP）中使用Cantril阶梯的主要生活评估问题的回答的全国平均水平。

scikit-learn，简称sklearn，一个强大的Python机器学习库，本代码的“加州房价预测”实验是一个线性回归模型，包含已经运行过的jupyter notebook的.ipynb文件和数据集.csv文件，放到jupyter notebook根目录下即可打开或者运行。

Spotify项目 概括 对于我的顶点项目，我选择解决基于歌曲属性为歌曲分配流派的问题。在这种情况下，Spotify正在考虑发布音乐，类似于SoundCloud允许用户发布内容的方式。在准备向平台添加音乐的用户时， Spotify要求一种将这些新歌曲分类到各自流派中的方法。我选择使用PyTorch构建一个多类分类模型来创建一个神经网络。来自kaggle的数据由于在目标值类型方面不平衡而受到限制。鉴于这种缺陷，我能够将基准精度提高十倍。该存储库包含与此项目有关的所有材料。 目录 文档名称 类型 描述 代码/Data_EDA.ipynb 木星笔记本 该笔记本包含Spotify数据上执行的数据清理和EDA。 代码/modeling.ipynb 木星笔记本 该笔记本包含“建模”过程，该过程可根据有关歌曲的数据查找歌曲流派。 数据 文件夹 此文件夹包含来自kaggle的原始数据和用于建模的已清理数据

用于图像生成的可变自动编码器 该存储库演示了如何将VAE训练到CIFAR10数据集，以及如何使用自动编码器生成新图像。 该存储库使用Colab作为培训环境，并使用Google Drive作为数据和模型文件的持久存储。

YOLO-V5在合作研究中对肺炎图像进行定位和分类 使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类 该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像 用于此模型的数据来自以下链接（ ） Yolo_v5_Data_Preparation.ipynb-该文件包含所有必要步骤，可将我们的数据集转换为适合YOLO-V5实施的格式 我们必须克隆YOLO-V5的git存储库 YOLO_V5_Training.ipynb-此文件包含在图像上运行YOLO-V5训练所必须执行的操作和步骤 最后，YOLO_V5_Inference.ipynb-在这里，我们根据训练中保存的权重预测并验证模型结果 将来，我计划使用YOLO-V5添加印度卢比检测和分类

适用于金融的Python食谱-代码存储库 Python财务食谱发布时间：2020年1月31日 平装：432页发行人：Packt Publishing 英语语言 链接 目录 财务数据和预处理 Python技术分析 时间序列建模 多因素模型 使用GARCH类模型对波动率建模 财务方面的蒙特卡洛模拟 Python中的资产分配 通过机器学习识别信用违约 金融中的高级机器学习模型 金融深度学习 埃里克·莱文森（Eryk Lewinson）。 Python财务手册。 Packt Publishing，2020年。 @book{Lewinson2019, address = {Birmingham, UK}, author = {Lewinson, Eryk}, edition = {1}, isbn = {9781789618518}, publisher = {Packt P

皮特·菲特 Python面部表情分析工具箱（FEAT） Py-FEAT是一套用Python编写的面部表情（FEX）研究套件。 该软件包包括用于从面部视频和图像中检测面部，提取情感面部表情（例如幸福，悲伤，愤怒），面部肌肉运动（例如动作单位）和面部标志的工具以及预处理方法，分析和可视化FEX数据。 有关详细的示例，教程和API，请。 安装 选项1：易于安装，可快速使用克隆存储库pip install py-feat 选项2：以开发模式安装 git clone https://github.com/cosanlab/feat.git cd feat && python setup.py install -e . 用法示例 1.从图像或视频中检测FEX数据 FEAT旨在在Jupyter Notebook或Jupyter Lab环境中使用。 在笔记本单元中，您可以运行以下命令从图像或视频中

CIFAR10_mxnet 抽象的 kaggle CIFAR10补偿代码，由mxnet gluon实现。 我们通过合并一些想法获得了0.9688 Directroy和文件描述符 文件 描述符 日志 一些火车日志文件 楷模 一些trianed模型参数（权重） 结果 kaggle测试集上的转发结果文件 提交 最终kaggle提交结果 CIFAR10_train 主要火车和进出口代码 阴谋 列车acc和有效acc的可视化与历时的损失。 utils / netlib.py ResNet18，ResNet164_v2，densenet，焦点损失由gluon实现代码，由CIFAR10_train调用 utils / utils.py 一些工具功能 模型，重用，日志可从以下链接获取： ://pan.baidu.com/s/1pLjzQWj密钥：f6p3 方法说明 主要思想来自mxnet主题，

Silero VAD Silero VAD：经过培训的企业级语音活动检测器（VAD），数字检测器和语言分类器。 企业级语音产品变得非常简单（请参阅我们的模型）。 当前，除WebRTC语音活动检测器（）外，几乎没有任何高质量/现代/免费/公共语音活动检测器。 WebRTC虽然开始显示其年龄，但遭受许多误报。 同样在某些情况下，能够使大型口语语料库匿名（即删除个人数据）也至关重要。 如果个人数据包含（i）名称（ii）某些私人ID，则通常被认为是私人/敏感的。 名称识别是一个非常主观的问题，它取决于语言环境和业务案例，但是语音活动和号码检测是非常常规的任务。 主要特点： 现代，便携； 低内存占用； 优于WebRTC的指标； 在庞大的语音语料库和噪音/声音库上受过训练； 比WebRTC慢，但对于IOT /边缘/移动应用程序足够快； 与WebRTC（大多数情况下会从声音中分辨出静

机器学习数学 该存储库包含伦敦帝国学院Coursera上针对“机器学习的数学”专业的所有测验/作业。 可以看到我的证明证明。 注意：此存储库中提供的材料仅用于帮助那些可能在课程中的任何时间卡住的人。 强烈建议没有人可以复制此处介绍的解决方案（Coursera Honor Code的验证）。 更新 课程1：线性代数-已完成 第1周-已完成第2周-已完成第3周-已完成第4周-已完成第5周-已完成 课程2：多元演算-已完成 第1周-已完成第2周-已完成第3周-已完成第4周-已完成第5周-已完成第6周-已完成 课程3：PCA-已完成 第1周-已完成第2周-已完成第3周-已完成第4周-已完成