Jupyter调查 该存储库包含Project Jupyter和IPython收集的数据集和调查。 将数据添加到此存储库 要将数据集添加到此存储库，请在相关顶级目录下创建一个语法YYYY-MM-short-description的子目录。 例如，如果它是调查数据，则在surveys顶级目录下创建文件夹。 在该目录中，请创建一个新的README.md文件，其中包含数据的简短描述，包括： 收集日期 谁收集数据 人口是什么（如果是人类数据），可以在哪里找到代码（如果是模拟数据）或有关数据源的其他相关信息 您可能还希望提供有关如何引用数据集的信息，例如DOI。 如果没有DOI，则可以通过将数据集上载到等服务来获得DOI。 Jupyter用户调查 Jupyter用户调查的材料和结果。 IPython用户调查 IPython用户调查的材料和结果。 我们在2011年和2013年进行了IPython

Jupyter_notebook_data_analyst MySQL培训： 我的ETL练习。 ：到SQL /数据库 与现实世界数据集的机器学习概念。 ：随机森林，决策树和交叉验证 ：随机森林模型和交叉验证（Python和R） ：随机森林模型 ：KNN分类器 ：线性回归和交叉验证（R） ：逻辑回归和决策树模型（R） 我的EDA实践： 免费课程的便捷教程：

Jupyter笔记本 Jupyter Notebooks，用于RAPcores分析。

jupyter markdown编写数学公式 1、markdown状态 编辑公式，首先要使单元成为Markdown状态。command模式下按下m, 进入Markdown模式

比赛项目 Rossmann销售预测（Top3％）：Rossmann在7个欧洲国家经营着3000药店。结果，罗斯曼门店经理的任务是提前6周预测他们的日收益，商店的销售受到许多因素的影响，包括促销，竞争，学校和国家假日，重置和地域性，由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异； NCAA 沃尔玛 能源预测③（排名前36％）：在本次竞赛中，基于ASHRA公司数据，在以下领域开发计量建筑能源使用的精确模型：冷水，电，热水和蒸汽表，数据来自超过1000栋建筑，历时三年，对这些节能投资的更好估计，大型投资者和金融机构将更加重视在这一领域投资，盔甲在提高建筑效率方面取

您的数据科学技术是否实际上可以跨越数百座建筑物？ 它实际上更快或更准确吗？ 这些是研究人员在开发数据驱动方法时应该提出的问题。 建筑性能预测，分类和聚类算法已成为异常检测，控制优化和需求响应分析的重要组成部分。 但是，我们如何实际比较每种技术与以前创建的方法呢？ 时序数据挖掘社区早在2003年就发现了这个问题：“许多工作的效用很小，因为做出了贡献……”提供了一些改进，而这些改进本可以使差异完全相形见have。是通过在许多现实世界的数据集上进行测试而观察到的，或者通过更改次要（未声明的）实施细节而观察到的差异。” （ ） 。 该数据集使您能够对各种实际数据集进行新技术测试。 对于商业建筑数据，我们正在做同样的事情！ 非住宅建筑数据分析对基准数据集的需求 现有的大多数建筑性能数据科学研究都依赖于每个研究人员创建自己的方法，查找案例研究数据集并自行确定功效。 毫不奇怪，大多数研究人员发现了积极但有意义的结果。 使用来自数百个（或数千个）建筑物的大型，一致的基准数据集，研究人员可以确定其方法在异构数据集中的实际性能如何。 如果多个研究人员使用相同的数据集，则可以在准确性，速度和易用性

使用梯度下降法求多元函数的系数并与最小二乘法进行比较梯度下降法的原理和概念梯度下降法求解多元函数的极值梯度下降法求解多元函数的系数最小二乘法求解多元函数的系数比较和总结 梯度下降法的原理和概念 偏导数：就是对函数的两个未知数求微分 然后得到的函数 例如一个函数为y=x12+x22+2x1x2 d(y)/d(x1)=2×1+2×2 d(y)/d(x2)=2×2+2×1 学习率： 也称为迭代的步长，优化函数的梯度是不断变化的，有时候变化很大，有时候变化很小，所以需要将每次的梯度变化控制在一个合适的范围内。 梯度： 梯度其实就是函数的变化率，在多元函数中，梯度变为了向量，有了变化的方向。 梯度的方向

自动Trimap生成器 关键字：Alpha合成Trimap 关键：Alpha合成，三分图 ーワード：アルファチャンネル，マスク画像 介绍 在图像遮罩中，trimap通过标记未知区域来估计背景的前景 从数学上讲，图像可以用以下等式表示： 在该等式中， I p表示整个图像， F p表示确定的前景，而B p表示确定的背景。 另一方面， 是一个alpha遮罩常数，其值在0到1之间。 值为0表示像素属于背景； 而一个 值1表示相反。 任何 中间的值表示必须确定的混合像素。 说明 从二进制（蒙版）图像输入生成三图（前景，背景和未知区域） 前景的像素值为255； 背景的像素值为0； 未知像素的像素值

ecco：可视化和探索NLP语言模型。 Ecco直接在Jupyter笔记本中创建交互式可视化文件，解释基于Transformer的语言模型（例如GPT2）的行为

无监督学习-kmeans聚类算法及手动实现jupyter代码.ipynb