Covid-19-LSTM-XGBR-SVR Covid-19 Corona病毒病例预测因子 背景 白宫科学技术政策办公室（OSTP）召集了一个联盟研究小组和公司（包括Kaggle）来准备COVID-19开放研究数据集（CORD-19），以尝试解决有关COVID-19的关键开放科学问题。 这些问题来自美国国家科学，工程和医学研究院（NASEM）和世界卫生组织（WHO）。 挑战 Kaggle正在发起伴随COVID-19预测挑战，以帮助回答部分NASEM / WHO问题。 尽管挑战涉及按地区预测4月1日至4月30日之间确诊的病例和死亡人数，但主要目标不仅是提供准确的预测。 还可以识别似乎影响COVID-19传输速率的因素。 鼓励您引入，整理和共享可能有用的数据源。 如果您发现变量似乎影响传输速率，请在笔记本中分享您的发现。 当数据可用时，我们将根据约翰·霍普金斯大学系统科学与工程中心（J

合成器 尝试使用Python制作合成器 该过程已通过一系列帖子记录在案。 振荡器： 调制器： 控制器：

TMDb_Movies 提示：GitHub直接打开ipynb文件容易出错，请通过这个地址浏览： Hi! 这是我的第一个数据分析项目，展示了问题分解、数据清洗、数据分析与可视化的过程，最后给出了一个简单的预测模型。我从中学到了很多，在此分享出来，请多多指教！ 数据来源是Kaggle提供的Internet Movie Database（TMDb）数据集，包括了近五千部电影的信息。数据原地址：

这是一个LSTM模型，用于实现具有多个输入特征的单个输出的预测。 该数据集是作为我大学数据分析课程作业的一部分 项目是基于开、高、低(输入特征)的股票市场收盘价(输出)预测

移动价格分类 手机价格分类

野火 分析在Kaggle上找到的Wildfires数据集。 该数据集包含1992年至2015年美国的野火数据。 文件说明： c_10nv20（1）.zip：美国各县及相应的几何数据->来源： ：//www.weather.gov/gis/Counties wildfires.7z：来自Kaggle的原始sqlite数据库->来源： ：//www.kaggle.com/rtatman/188-million-us-wildfires？select FPA_FOD_20170508.sqlite wildfires.ipynb：Jupyter Notebook，包含对数据集的所有分析。 工作正在进行中！

心脏病预测 BITS Pilani顶石项目-组2 本地执行 在tox.ini中更改数据集路径 点安装-r requirements.txt 模型训练python3 main.py trainModel 模型预测流式运行main.py预报模型 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this project. ├── data │   ├── external <- Data from third party sources. │   ├── interim <-

空间交互建模包 该SP atial诠释eraction建模（SPINT）模块的目的是提供一个工具集来研究空间相互作用的过程和分析空间交互数据。 该模块的是作为Google Summer of Code项目（2016年夏季）进行的。 有关项目进度的文档可在找到。 该模块目前支持对空间相互作用模型“家族”的校准（Wilson，1971），该模型是使用熵最大化（EM）框架或等效信息最小化（IM）框架得出的。 因此，它可以为以下泊松计数模型导出参数： 楷模 无约束重力模型 生产受限模型（原产地受限） 吸引力约束模型（目的地约束） 双约束模型 在广义线性模型框架中使用迭代加权最小二乘进行校准（Cameron＆Trivedi，2013）。 这些模型结果已经在（Fotheringham和O'Kelly，1989; Willimans和Fotheringham，1984）中列出的可比较例程中得到

iris：虹膜数据集上不同机器学习算法的分析和比较

乳腺癌预测 在乳腺癌数据集上采用了四种机器学习模型来确定最佳模型。 逻辑回归 决策树分类器 随机森林分类器 支持向量机