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

ML-algotrade 项目名称：机器学习的算法交易 1.项目建议书 Baruch MTH 9899的小组项目-大数据II：机器学习 1.1项目成员 崔一凡 王成斌， 天， 1.2项目构想 使用不同的机器学习算法来修改传统的技术策略，并通过对研究的循环测试来找到一个好的算法， 机器学习算法 最近的邻居， 随机森林， 支持向量机， 技术策略 布林带 势头 旋转相对图我们Introduction to machine learning为指南来理解算法，并Evidence-based technical analysis来学习技术策略。 1.3数据集和软件：Quantopian Quantopian是我们的主要研究和回测平台，我们在此托管研究环境中研究算法交易思路并借助机器学习算法来探索策展的财务数据。 Quantopian支持灵活的数据访问，自定义绘图以及对回测的事后分

ML-Counselor：花旗杯项目

使用计算机视觉自动检测建筑物 在这个项目中，我们尝试训练基于神经网络的模型，该模型能够自动识别Nikki地区（贝宁）的建筑物。 我们从不带标签的通过Google Maps API获取的区域卫星图像开始。 这些图像将通过LabelIMG软件以YOLO格式标记，然后将为每个图像生成一个.txt文件，其中包含每个标记建筑物的相对位置。 标记完我们的训练图像后，我们就可以开始训练YOLO（一次只看一次），以便进行预测。 以下是蒙农镇上空行动的一个例子。

说话人二值化 说话人区分系统 内容 从wav文件中提取特征，然后通过无监督学习或有监督学习得出说话人识别以及某个说话人的语音起点，终点 数据预处理 ###无监督学习 wavs --> features --> kmeans(silhouette) --> num of speaker and time point 要求 scipy librosa sklearn numpy

aws well arhcitecture ml lens

masm中的ml.exe和ml64.exe编译器，喜欢就下载吧

线性回归梯度下降代码（ML_algorithm-master） 有Linear_regression、utils等