y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-Logistic回归 斯坦福大学在Coursera上的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex2data1.txt（一项功能） ex2data2.txt（两个功能） 此仓库中包含的文件 ex2.m-引导您完成练习的Octave / MATLAB脚本 ex2 reg.m-练习的后面部分的Octave / MATLAB脚本 ex2data1.txt-练习的上半部分的训练集 ex2data2.txt-练习的第二部分 Submit.m-将您的解决方案发送到我们的服务器的提交脚本 mapFeature.m-生成多项式特征的函数 plotDecisionBoundary.m-绘制分类器决策边界的函数 [⋆] plotData.m-绘制2D分类数据的函数 [⋆] sigmoid.m-Sigmoid函数 [⋆] costFunction.m-Logistic回归成本函数 [⋆] predict.m-Logistic回归预测函数 [⋆] costFunctionReg.

MLFlow Docker设置 如果您想使用单线启动mlflow项目-此存储库适合您。 唯一的要求是将docker安装在您的系统上，我们将在linux / windows上使用Bash。 特征 通过一个文件（.env）进行设置 生产就绪的Docker卷 单独的工件和数据容器 准备好bash脚本来复制和粘贴，以供同事使用您的服务器！ 简单的安装指南 配置.env文件供您选择。 您可以在其中放置任何您喜欢的东西，它将用于配置您的服务 通过这一行来运行基础结构： $ docker-compose up -d Creating network " mlflow-basis_A " with driver " bridge " Creating mlflow_db ... done Creating tracker_mlflow ... done Creating aws-s3

2018中国“法研杯”法律智能挑战赛 CAIL2018 1. Official Website 2. Time nodes 第一阶段（2018.05.15-2018.07.14）: ~ 6月 5日，基于Small数据的模型提交截至。向评测结果高于基准算法成绩的团队发布Large数据 ~ 6月12日，基于Large-test数据对前期模型进行重新评测刷榜 ~ 7月14日，最终模型提交截至。 第二阶段（2018.07.14-2018.08.14）: 主办方根据一个月的新增数据对最终模型进行封闭评测 3. Notice 3.1. Necessary adjustment 在将本项目代码clone或download到本地运行时，需要对如下文件处做简单修改： 在./predictor中创建model/目录（github上无法上传空文件夹） ./utils/util.py中的第9行DATA_DIR，改

泰坦尼克数据集，包括train.csv/test.csv/gendermodel.csv

ml-恶意软件分类器 参考 Daniel Arp, Michael Spreitzenbarth, Malte Huebner, Hugo Gascon, and Konrad Rieck "Drebin: Efficient and Explainable Detection of Android Malware in Your Pocket", 21th Annual Network and Distributed System Security Symposium (NDSS), February 2014 原始文件可以在找到。 原始数据集可在找到。 用法 该代码位于code文件夹

在MIMO系统中，利用最大似然估计法估算信息传输的误码率

开放能源 机器学习介绍智能电表用电量数据，然后使用K-means打开，清理，聚类数据，然后使用CART进行分类。 此练习具有教育和研究目的。 该项目是使用Fluvius的数据完成的： ：//www.fluvius.be/nl/thema/open-data 摘自UKPN的伦敦低碳项目： ：//data.london.gov.uk/dataset/smartmeter-energy-use-data-in-london-households LCL家庭信息文件'informations_households.csv'： :

FastAPI部署的股票市场预测模型（使用Prophet） 若要使用，请使用与以下请求类似的请求查询API， $卷曲--header“内容类型：application / json” -请求POST --data'{“ ticker”：“ MSFT”}' 股票代号的价值是您要对其进行库存预测的公司。

机器学习游乐场 用于学习新概念的项目的集合。 这些模型在PyTorch中实现。 结构 计算机视觉 图片分类进行二进制/多类分类。 楷模实现SOTA卷积神经网络。 物体检测实施YOLO，SSD，RetinaNet和Faster R-CNN。 语义分割实施FCN-8和U-Net。 神经风格转换实现艺术风格的神经算法。 生成模型 实施DCGAN，Wasserstein GAN，VAE和有条件的VAE。 自然语言处理 情绪分析使用不同的预训练方法进行情感分析：词嵌入，BERT。 文字合成综合文本（字符级别）。 word2vec 实现word2vec。 语音分类 分类语音命令。 额外的 协同过滤实施协作过滤。 实体嵌入实现实体嵌入。 量化量化CNN模型。 修剪修剪CNN模型。

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝