NumPy-Pandas-MatPlotLib 来自Udacity的纳米AI编程项目的Jupyter笔记本形式。 第使用NumPy进行均值归一化。 使用Pandas提取有关Apple，Amazon和Google股票的有用信息。 其余笔记本演示了MatPlotLib库的基本功能。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 先决条件 nptebooks内部的代码是用Python 3.6.5编写的。 如果您没有安装Python，则可以在找到它。 如果您使用的是较低版本的Python，则可以使用pip软件包进行升级，以确保您具有最新版本的pip。 要安装pip，请在命令行中运行 python -m ensurepip -- default-pip 升级它 python -m pip install -- upgrade pip setuptools wh

鳄梨价格 使用Avocado Price Dataframe的Python进行数据分析 这是一项基本的数据分析，使我不知道如何清理数据，设置适当的索引以及绘制正确的图！

使用LSTM、GRU、BPNN进行时间序列预测源码+数据集（课设源码）.zip 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业

高级项目 我研究了使用不同的机器学习算法和python来预测英超联赛足球比赛的结果。 这是我高三毕业时作为Goucher大学计算机科学专业的Capstone项目。 我使用whoscored.com的数据，创建了用于预测游戏效果的大多数指标。 我表现最好的算法是Logistic回归模型和Random Forest Regressor（它们的精确度为68％）。 考虑到我只有357个数据点（仅包括108个验证测试集数据点），这给人留下了深刻的印象！ 文件： MyCapstone.ipynb： 该文件是一个jupyter笔记本，其中包含我在数据处理，数据分析和机器学习建模中使用的所有代码。 Table4.csv 这是一个csv文件，其中包含基于whoscored.com数据的数据，我已对其进行处理并将其用于执行预测。

人力资源分析师 如果您也想查看其他笔记本和解决方案，可以在Kaggle中找到此挑战： 上下文和内容 一家活跃于大数据和数据科学领域的公司希望在成功通过该公司的某些课程的人员中聘用数据科学家。 许多人报名参加他们的培训。 公司想知道在培训或寻找新工作后，其中哪些候选人真的想为公司工作，因为这有助于降低成本和时间，并减少培训或计划课程和候选人类别的质量。 候选人注册和注册后即可掌握与人口统计，教育，经验相关的信息。 该数据集旨在了解导致人员也离开当前工作进行人力资源研究的因素。 通过使用当前证书，人口统计，经验数据的模型，您可以预测应聘者寻找新工作或将为公司工作的可能性，并解释影响员工决策的因素。 整个数据分为训练和测试。 目标未包含在测试中，但测试目标值数据文件可用于相关任务。 提交的样本对应于测试集的enrollee_id，该列也提供了以下列： 笔记： 数据集不平衡。 大多数功能都是

PyMC3是用于贝叶斯统计建模和概率机器学习的Python软件包，专注于先进的马尔可夫链蒙特卡洛（MCMC）和变异推理（VI）算法。 它的灵活性和可扩展性使其适用于大量问题。 查看，或使用Binder ！ 有关PyMC3的问题，请访问我们的论坛。 PyMC3和Theano的未来 自Theano停止由原始作者开发以来，关于PyMC3的未来一直存在许多疑问和不确定性，我们开始使用PyMC4进行实验。 我们很高兴地宣布，Theano上的PyMC3（我们正在）以及新的JAX后端是未来。 PyMC4将不会进一步开发。 有关更多详细信息，请参见。 特征 直观的模型规范语法，例如， x ~ N(0,1)转换为x = Normal('x',0,1) 强大的采样算法（例如“”（ ）允许使用数千种参数复杂模型，而对拟合算法的专业知识很少。 变异推理：用于快速近似后验估计的以及用于大数据集的小批量A

电子游戏销售-EDA 该项目包含要分析的超过16,500种游戏的视频游戏和销售数据的列表。 它还包含视频游戏发行的年份，发行商名称和视频游戏的全球销售。 该项目的成员 普里西拉·巴（Priscilla Baah） 阿道科王子 雷蒙德·本图姆（Raymond Bentum） 雷蒙德·诺米西

前言 该项目是在ns-3环境下对dtn的新手友好型仿真，易于用于研究紫色，支持自定义路由定义和方案定义。 该项目的来自 如果您想了解有关TEG（时间扩展图）的信息，请阅读此技术 如果您想了解CGR，请阅读此 开始 在此目录下下载源代码ns-allineone-3.26（或进行软链接），并确保您可以使用ns3 将./box/ns2mobilityhelper.cc复制到./ns-allineone-3.26/ns-3/src/mobility/helper，此文件已修改，将有助于我们解析3D运动 用手或./box/WriteTraceFileLib.py修改current_trace.tcl 设置node_number和Simulation_time ./box/PrepareSim.py和your-example.cc，必须等于current_trace.tcl // i

街道场景的语义分割 1）下载资料 脚步 转到 （需要创建帐户） 下载gtFine_trainvaltest.zip和leftImg8bit_trainvaltest.zip 解压缩并将它们放到同一文件夹中 删除gtfine和leftImg8bit内的test目录，这些注释是虚拟注释。 使用data_folder_format.ipynb从每个城市文件夹中提取原始图像和注释，并将它们组合为一个用于图像的大文件夹和一个用于注释的大文件夹。 2）建立用于图像分割的TFRecords数据集 由于我们正在使用的数据集可能太大而无法容纳到内存中，因此我们需要一种在训练过程中连续从磁盘流式传输数据的方法。 这是使用TensoFlow的tf.data.dataset API完成的，该API需要我们将数据集序列化为.tfrecords文件。 使用dataset_build.ipynb来执行此过程，该

客户细分python 该项目将客户细分应用于公司的客户数据，并基于此得出结论和数据驱动的想法。 数据集 该数据集是在线超级市场公司Ulabox的客户数据。 数据集可在此链接中找到 客户细分 在客户细分中，我们将相似的客户分类到同一集群中并对其进行分析。 它可以显示如下信息： 谁是公司最有价值的客户 公司有什么样的客户 这可以用于有针对性的营销和其他营销策略。 有时，它甚至可以揭示市场上潜在的空白空间，而这还没有公司占据。 好吧，我们可以在这里发挥创意。 聚类 聚类是一个过程，其中我们将相似的数据点放入同一聚类中。 有很多算法可以做到这一点，例如团簇式聚类，kmeans聚类，高斯混合模型等。 映射到项目 order_segmentation_0.0.ipynb文件包含详细的注释以及对数据中的订单进行细分的说明。 我也在其中添加了我的想法。 这是一个干净的步骤。 我建议从那里开始。 c