面部对齐 通过回归树进行人脸对齐 预要求 Visual Studio 2012+ 和 OpenCV 安装在 C:/opencv

Kaggle National Datascience Bowl 2017第二名 这是我在Kaggle.com主办的第二名解决方案中我的源代码。 有关该方法的文档，请访问： ://juliandewit.github.io/kaggle-ndsb2017/ 请注意，这是我的代码部分。 我的队友Daniel Hammack的工作可以在以下位置找到： : 依赖关系和数据 该解决方案是使用Keras和Windows 64位上的tensorflow后端构建的。 接下来，我使用了scikit-learn，pydicom，simpleitk，beatifulsoup，opencv和XgBoost。

Keras可视化工具包 keras-vis是用于可视化和调试已训练的keras神经网络模型的高级工具包。 当前支持的可视化包括： 激活最大化 显着图 类激活图 默认情况下，所有可视化都支持N维图像输入。 即，它推广到模型的N维图像输入。 该工具包通过干净，易于使用和可扩展的界面将上述所有问题归纳为能量最小化问题。 与theano和tensorflow后端兼容，具有“ channels_first”，“ channels_last”数据格式。 快速链接 阅读位于的文档。 日语版为 。 加入闲暇来提问/讨论。 我们正在中跟踪新功能/任务。 如果您愿意帮助我们并提交PR，将非常乐意。 入门 在图像反向传播问题中，目标是生成使某些损失函数最小化的输入图像。 设置图像反向传播问题很容易。 定义加权损失函数 在中定义了各种有用的损失函数。 可以通过实现来定义自定义损失函数。 from vis . losses import ActivationMaximization from vis . regularizers import TotalVariation , LPNorm fil

FakeNewsCorpus：从精选的数据源列表中抓取的数百万条新闻报道的数据集

足球经理 使用数据和机器学习来分析足球运动员。 贡献者： 巴图拉普·雅尔辛 托马斯·麦卡塔夫（Thomas Mecattaf） 莫希什·查克拉瓦蒂（Mohnish Chakravarti） Description：我们几乎每天都在我们的xbox上玩FIFA职业模式。 在此项目中，我们使用基本的机器学习技术（例如线性回归，随机森林和神经网络）分析2015 / 16、2016 / 17、2017 / 18、2018 / 19赛季EPL玩家的游戏FIFA评分和实际表现网络。 有3个笔记本（一个用于抓取，一个用于基本数据分析，一个用于机器学习），以及3个HTML文件，它们更详细地解释了所有这些笔记本和我们的项目 进行此项目的一些动机是： 我们可以了解FIFA中的球员属性和等级吗？ EA Sports不会发布有关球员排名和分配属性值的任何信息。 FIFA球员可以使用此回合为球队的每个职位

员工流失-原因和解释 留住人才与留住人才同等重要，而且可能会花更多的时间和金钱，这是因为花了一些时间和金钱来使某个工人适应您的环境和公司。 因此，我认为瞥一眼决定离开公司的工人的主要特征是我们值得的。 为了检查这一事实，我将使用位于Employee Attrition数据集，因为它包含专门为此用例收集的数据。 本研究中使用的版本也专门存储在文件夹data /中，因为网站上的文件可能会随着时间而变化，并且与此处所检查的版本不符。 档案结构 data / ：分析中使用的数据集的版本。 doc / ：由于具有嵌入式图形，因此使用HTML文档，并提供研究的结果和主要结论。 src / ：项目中使用的代码，.Rmd格式。 参考

完善的机器学习：笔记，练习和Jupyter笔记本 在下面，您将找到补充第二版《机器学习精炼》（剑桥大学出版社出版）的一系列资源。 目录 小部件样本和我们的教学法 我们相信，只有对以下三个问题中的每一个回答都是肯定的，才能精通某种机器学习概念/主题。 Intuition你能用一个简单的图景描述这个想法吗？ Mathematical derivation您可以用数学符号表达直觉并推导基础模型/成本函数吗？ Implementation您可以在不使用高级库的情况下使用Python这样的编程语言对派生代码进行编码吗？ Intuition comes first. 直观的飞跃先于知识的飞跃，因此，我们在书中包括了300多种彩色插图，这些彩色插图经过精心设计，可以直观地掌握技术概念。 这些插图中的许多是动画的快照，这些动画显示了某些算法的收敛性，某些模型从不完全拟合到过度拟合的演变等。可以使用动画（与静态图形相对）来最好地说明和理解此类概念。 您可以在此存储库中找到大量这样的动画-您也可以通过这些注释的原始Jupyter笔记本版本来修改自己。 这里只是几个例子： 交叉验证（回归）

更新（2021年2月1日） 注意力！ 该存储库将不再维护，请检查我们新的Deep Forest存储库，以提高效率。 详细信息在： 仓库： : 文档： : PyPI上的软件包： ://pypi.org/project/deep-forest/ 您可以通过pip安装较新版本的gcForest pip install deep-forest 此存储库中的旧版本（gcForest v1.1.1）仅用作该算法的说明。 gcForest v1.1.1来了！ 这是gcForest实施的官方克隆。（大学的Web服务器有时不稳定，因此我们将官方克隆放在github上） 软件包官方网站： : 该软件包按“原样”提供，免费供学术使用。 您可以自行承担运行风险。 出于其他目的，请联系教授（ ）。 说明：[1]中提出的gcForest的python 2.7实现。 gcFores

机器学习是量化金融中一个越来越重要和有争议的话题。 关于机器学习技术是否可以成为实用的投资工具，一直存在激烈的争论。 尽管机器学习算法可以发现微妙的、上下文的和非线性的关系，但在尝试从嘈杂的历史数据中提取信号时，过度拟合会带来重大挑战。 在本文中，我们描述了一些围绕机器学习的基本概念，并提供了一个简单的例子，说明投资者如何使用机器学习技术来预测股票收益的横截面，同时限制过度拟合的风险。

Feature Engineering for Machine Learning_Principles and Techniques for Data Scientists(2018.03).A4