《 Python机器学习及实践：从零开始创造Kaggle竞赛之路（第2版）》开源数据和代码 本书的数据集，工具和代码：DIY_ML_Systems_with_Python_2nd_Edition 第二版概要： 《 Python机器学习实践（第二版）》一书适合所有对（深度）机器学习（Machine Learning），数据挖掘（Data Mining），以及自然语言处理（Natural Language Processing）的技术实践研究的初学者。 本书从零开始，以Python编程语言为基础，在不重复叙述大量数学模型与复杂编程知识的替代下，逐步将读者逐步熟悉并掌握当下最流行的（深度）机器学习，数据挖掘以及自然语言处理的开源工具库（包）：Scikit学习，Google Tensorflow，Pandas，Matplotlib，NLTK，Gensim，XGBoost，OpenAI Gym等。

ultrasound-nerve-segmentation, Kaggle超声神经分割竞赛 [Keras ] 基于Keras的超声神经神经网络Kaggle超声神经分割竞赛 [Keras ]#Install ( {14,16}, GPU )需要 cuDNN 。###Theanohttp://deeplearning.net/softwar

Kaggle实战之信用卡盗刷预测

Kaggle语音识别 这是针对的Kaggle竞赛的项目，目的是为简单的语音命令构建语音检测器。 该模型是使用连接器时间分类（CTC）成本的卷积残差，向后LSTM网络，由TensorFlow编写。 首先将音频波文件转换为滤波器组频谱图。 CNN层从频谱图输入中提取分层特征，而LSTM层的作用类似于编码器/解码器，对CNN特征的序列进行编码，并输出字符作为输出。 LSTM编码器/解码器非常动态。 取决于训练词汇，可以用整个单词，音节或仅音素的信息对发出的字符进行编码。 完全连接的层会压缩表示形式，并进一步将字符与单词解耦。 该项目旨在调试和可视化友好。 提供这些界面以权重和激活，登录TensorBoard并记录示例单词的学习，这些示例单词显示了如何在训练中学习角色和决策边界。 安装和使用： 先决条件：Python 3.5，TensorFlow 1.4; 或Python 3.6，Tens

使用Python机器学习进行年龄检测 使用Kaggle的收入评估数据集进行年龄检测 用于训练模型的值输入值：-“性别”，“工作类别”，“教育”，“婚姻状况”，“职业”，“关系”，“每周工作时间”，“本国”， '收入'，'Col1'，'Col2'，'Col3'，'Col4'，'Col5'输出-年龄 机器学习算法：从sklearn.svm导入随机森林分类器 来自sklearn.metrics的precision_score以计算模型的准确性

kaggle-driver-telematics-analysis Kaggle竞赛“驾驶员远程信息处理分析”。 makefeatures.py-将所有路线的77个要素组成一个numpy数组。 merge.py-将来自2种不同算法的结果合并到csv中。 randomforest.py-使用随机森林从numpy的77个特征数组中进行预测 svm.py-使用svm从77个功能的numpy数组进行预测 我最好的结果是来自没有合并的randomforest的0.91051（125th / 1528）-前10％。 svm并将rf与svm合并产生了较差的结果（0.87060和0.90004）

糖尿病性视网膜病变-手动筛查与算法 最近几个月我一直在参加。 有关快速介绍，请参见 。 根据糖尿病患者的眼睛图像，我们必须找到一种算法来对疾病的级别进行分级。 随着比赛的进行，我越来越相信自动筛选确实很有帮助。 计分系统是 。有趣的是，有几支得分为85或更高的球队。 根据有关Kappa的文献，85表示我们的算法非常好。 。 现在我们来讨论主要问题。 该算法必须匹配医生提供的标签。..但是，医生会犯错误..结果是，有时算法在进行正确的预测时有时会“缩编”。 这就是为什么我不愿将放在网上的原因。 这样做的想法是让人们对算法的预测和决策者给出的标签发表评论。 总而言之，我们可能会对自动筛选的实际使用有更好的了解。 也许github对此并不理想。 如果您有更好的平台，请随时拨叉，以获得更好的体验！ 行：医生给的标签列：按算法预测的标签 Pred 0 Pred 1 Pred 2 Pre

CreditCardFraud-Kaggle-Tensorflow 使用来自Kaggle的信用卡欺诈数据集，我创建了一个完全连接的神经网络，该网络可以预测信用卡欺诈，平均准确性为96％

科比布莱恩特20年职业篮球生涯中的投篮命中率相关数据。

添加正则化项,是指在损失函数上添加正则化项,而正则化项可分为两种: 一种是L1正则化项,另一种是L2正则化.我们把带有L2正则化项的回归模型称为岭回归,带有L1正则化项的回归称为Lasso回归.1.岭回归引用百度百科定义.岭回归(英文名：ridgeregression,Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得