高音数据集对性别分类的自然语言处理NLP 借助自然语言处理NLP，我可以从Tweeter数据集中识别性别分类 该文件包含： 加载数据集： 该数据集用于训练CrowdFlower AI性别预测器。 您可以在此处阅读有关该项目的所有信息。 要求参与者仅查看Twitter的个人资料并判断用户是男性，女性还是品牌（非个人）。 数据集包含20,000行，每个行都有一个用户名，一条随机鸣叫，帐户个人资料和图像，位置，甚至是链接和侧边栏颜色。 数据集来自这里： : 灵感 您可以尝试使用此数据集回答以下几个问题： 推文和个人资料中的单词如何预测用户的性别？ 用什么词可以强烈预测男性或女性性别？ 风格因素（例如链接颜色和侧边栏颜色）如何很好地预测用户的性别？ 数据 数据集包含以下字段： unitid：用户的唯一ID _golden：模型的黄金标准中是否包含用户； 对或错 unitsta

NLP（ICL）课程：幽默检测 由于数据预处理和训练例程的差异，原始笔记本被复制了两次。 1个 第一个笔记本approach1_pretrained_roberta.ipynb包含方法1的最终RoBERTa模型，以及针对不同功能和头部架构的测试。 使用以下链接 或笔记本顶部的徽章以在Google Colab中查看。 可在以下位置获得经过训练的模型（〜0.5 GB）： ://drive.google.com/file/d/1NSLn2pUc4TucEjXB4Se4w29YEqU2xH1i/view usp sharing 2个 第二个笔记本hyperparams_and_approach2.ipynb包括方法1的基本BERT植入以及超参数调整。 与此笔记本一起，还提供了关注方法2的BiLSTM。 使用以下链接 或笔记本顶部的徽章以在Google Colab中查看。 报告 项目报告已上

NLP-Yelp审查：第一个NLP项目

兰格文模型

社会距离检测 这是我尝试检测视频中的社交距离。

信用卡批准

预测信用卡批准 项目预测信用卡批准 项目简介 商业银行收到许多信用卡申请。 例如，其中许多人由于各种原因而被拒绝，例如高贷款余额，低收入水平或对个人信用报告的查询过多。 手动分析这些应用程序很普通，容易出错，而且很耗时（而且时间就是金钱！）。 幸运的是，这项任务可以借助机器学习的力量实现自动化，并且如今几乎所有的商业银行都可以做到这一点。 在这个项目中，您将像真正的银行一样，使用机器学习技术构建一个自动的信用卡批准预测器。 该项目的建议先决条件是： scikit-learn的监督学习 熊猫基金会 该项目中使用的数据集是UCI机器学习存储库中的信用卡批准数据集。 项目任务 信用卡申请 检查应用程序 处理缺失值（第一部分） 处理缺失值（第二部分） 处理缺失值（第三部分） 预处理数据（第一部分） 将数据集分为训练集和测试集 预处理数据（第二部分） 将逻辑回归模型拟合到火车上 进行

nntimeseries 该存储库提供了论文的代码，以及在keras模型上运行网格serach的通用代码。 文件'nnts / models / {CNN，LSTM，LSTM2，LR，SOCNN} .py'提供了用于测试各个模型的代码，最后一个实现了建议的重要性偏移CNN，而LSTM2实现了多层LSTM。 基本用法 每个模型文件都可以作为脚本运行，例如 python ./CNN.py --dataset=artificial ＃默认保存文件 python ./SOCNN.py --dataset=household --save_file=results/household_0.pkl 可以在上述每个文件中指定用于网格搜索的参数。 每个文件都定义了一个模型类，可以将其导入并在外部数据集上使用，如example.ipynb文件所示。 该存储库支持在人工多元嘈杂AR时间序列和家庭用

DataCamp项目 在这里，我介绍一些我的项目 Python 项目 描述 深度学习的ASL识别 使用CNN对美国手语的图像进行分类-TensorFlow / Keras 根据音频数据对歌曲类型进行分类 使用PCA简化功能并对功能进行决策树分类和Logistic回归分类-Scikitlearn，pandas，Matplotlib 按成分比较化妆品 通过t-SNE -bokeh / Scikitlearn使用单词标记和降维 Semmelweis博士和洗手的发现 使用熊猫进行数据分析并使用Matplotlib进行可视化-Matplotlib / pandas 探索乐高67年 乐高数据的数据探索性分析-Pandas / Matplotlib 探索比特币加密货币市场 来自JSON API的比特币数据的数据探索性分析-Pandas / Scikitlearn 探索Linux的发展 Li

假新闻 使用自然语言处理技术检测虚假新闻