用于构建高质量数据集和计算机视觉模型的开源工具。 •• •••• 是由创建的开源ML工具，可帮助您构建高质量的数据集和计算机视觉模型。 使用FiftyOne，您可以搜索，排序，过滤，可视化，分析和改善数据集，而无需进行过多的整理或编写自定义脚本。它还提供了用于分析模型的强大功能，使您能够了解模型的优缺点，可视化，诊断和纠正其故障模式，等等。 FiftyOne的设计轻巧，可轻松集成到您现有的CV / ML工作流程中。 您可以加入我们的Slack社区，阅读我们在Medium上的博客，并在社交媒体上关注我们，从而参与其中： 安装 您可以通过pip安装FiftyOne的最新稳定版本： pip install fiftyone 请查阅以获取故障排除以及有关使用FiftyOne进行启动和运行的其他信息。 快速开始 通过启动快速入门，直接进入FiftyOne： fiftyone quicksta

About This Book, Leverage Python' s most powerful open-source libraries for deep learning, data wrangling, and data visualization, Learn effective strategies and best practices to improve and optimize machine learning systems and algorithms, Ask – and answer – tough questions of your data with robust statistical models, built for a range of datasets, Who This Book Is For, If you want to find out how to use Python to start answering critical questions of your data, pick up Python Machine Learning – whether you want to get started from scratch or want to extend your data science knowledge, this is an essential and unmissable resource., What You Will Learn, Explore how to use different machine learning models to ask different questions of your data, Learn how to build neural networks using Keras and Theano, Find out how to write clean and elegant Python code that will optimize the strength of your algorithms, Discover how to embed your machine learning model in a web application for increased accessibility, Predict continuous target outcomes using regression analysis, Uncover hidden patterns and structures in data with clustering, Organize data using effective pre-processing techniques, Get to grips with sentiment analysis to delve deeper into textual and social media data, Style and approach, Python Machine Learning connects the fundamental theoretical principles behind machine learning to their practical application in a way that focuses you on asking and answering the right questions. It walks you through the key elements of Python and its powerful machine learning libraries, while demonstrating how to get to grips with a range of statistical models.

This book sets out to introduce people to important machine learning algorithms. Tools and applications using these algorithms are introduced to give the reader an idea of how they are used in practice today. A wide selection of machine learning books is available, which discuss the mathematics, but discuss little of how to program the algorithms. This book aims to be a bridge from algorithms presented in matrix form to an actual functioning program. With that in mind, please note that this book is heavy on code and light on mathematics.

#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~ 机器学习，基于朴素贝叶斯机器学习算法实现对情感文本分析与分类（含数据集），sgns.weibo.bigram-char，使用gensim加载预训练中文分词

#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~ 机器学习，基于KNN算法对银行客户的历史数据进行分类分析，通过研究客户的历史行为来捕捉流失客户的特点，分析客户流失原因，从而可以在客户真正流失之前做出相应的营销干预，对客户进行挽留。

恢复上升 简历解析器和摘要器工具可对简历进行分类，并根据用户要求对简历进行排名。 数据集 包含1000个以csv格式标记的简历（根据特定简历所属的主要类别/类别进行标记）。 我们将使用此csv格式的简历数据集来训练我们的模型以进行分类。 然后，我们的模型应该能够处理任何看不见的简历。 参考文件： Utils / Analysis.ipynb ：数据清理+预处理+可视化+见解 Utils / Summarize.ipynb ：恢复汇总算法 Utils / pdftotext.ipynb ：使用pdfminer将odf转换为文本 Utils / Modelling.ipynb ：主文件+代表性更改+培训+模型比较+测试 Utils / naive_bayes.ipynb ：多项朴素贝叶斯实现 Utils / svm.ipynb ：svm实现 Utils / clean_data1.csv ：

数独 使用 OpenCV 的增强现实数独求解器。 用法 安装 pip install -r requirements.txt 主文件 usage: main.py [-h] [-f FILE] [-s] [-w] [-d] arguments: -h, --help show this help message and exit -f FILE, --file FILE File path to an image of a sudoku puzzle -s, --save Save image to specified file's current directory -w, --webcam Use webcam to solve sudoku puzzle in real time

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

机器学习基础教程（Rogers）内的源码，包含.m和.r文件，大家下载学习吧！

法律文本的数字化以及人工智能，自然语言处理，文本挖掘，网络分析和机器学习的进步，导致了律师和法律学者的新形式的法律分析。 本文概述了计算方法如何影响各种法律学术领域的研究，从对法律文本的解释到对构成法律的因果因素的定量估计。 随着计算工具继续渗透到法律学术领域，它们使学者们能够在传统研究问题上获得关注，并可能产生全新的研究计划。 计算方法已经在各种与法律相关的研究领域中促进了重要的贡献。 随着这些工具的不断发展，法律学者对它们的潜在应用越来越熟悉，计算方法的影响可能会继续增长。