Jupyter Notebook + Reveal.js 介绍 Microsoft PowerPoint很酷。 我喜欢！ 这就像顾问的瑞士军刀。 您可以用它制作漂亮的幻灯片。 但是在代码方面，PowerPoint很烂。 真！ 解决方案是使用 。 很酷。 您可以使用Markdown突出显示代码。 它React灵敏，但像LaTeX一样，可能很乏味。 另一种使用reveal.js的方法是通过Jupyter Notebook。 您只需创建一个笔记本，然后使用nbconvert即可获取reveal.js幻灯片。 但是，标准输出很无聊。 我是认真的！ 因此，此回购尝试通过使用自定义的颜色和图像来弥合这一差距。 此外，我们生活在具有云原生生活方式，云原生存储，云原生解决方案的云原生世界中。 那为什么不拥有云原生演示幻灯片呢？ 此回购协议也只需使用cf push即可解决此问题。 入门 创建conda环境： conda env create -f environment.yml 您可以在static文件夹中找到一个笔记本模板，其中包含一些示例，例如封面和分隔幻灯片，降价语法等等。 这是有关使用Ju

使用PyTorch进行情感分析 存储库将引导您完成构建完整的情感分析模型的过程，该模型将能够预测给定评论的极性（无论表达的观点是肯定的还是负面的）。 要在其上训练模型的数据集是流行的IMDb电影评论数据集。 目录 第一个笔记本涵盖了从原始数据集中加载数据，特征提取和分析，文本预处理以及训练/验证/测试集准备的过程。 第二篇教程包含有关如何设置词汇对象的说明，该对象将负责以下任务： 创建数据集的词汇表。 根据稀有词出现和句子长度过滤数据集。 将单词映射到其数字表示形式（word2index）和反向（index2word）。 启用预训练词向量的使用。 此外，我们将构建BatchItera

[WEB应用防火墙]人工智能在漏洞挖掘等安全领域中的应用现状及前景展望 Web安全 安全集成 安全培训 DDoS 数据安全

使 Jupyter 生成的 Reveal 套牌更易于管理 假设您告诉 IPython 将您的笔记本变成幻灯片： ipython nbconvert slides.ipynb --to slides 输出是一个名为slides.slides.html的文件，大约 10,000 行。 此代码的绝大部分由应位于单独文件中的样式表组成。 如果您想自定义幻灯片的某些方面，您应该不需要与 10,000 行的文件搏斗来做到这一点。 事实上，用 HTML 编写幻灯片的美妙之处在于内容是轻量级的纯文本标记。 如果样式和脚本组件正确分解，则编辑 Reveal 幻灯片组会非常简单。 这个 repo 允许我将演示文稿的内容粘贴到一个相对较小的 HTML 文件中，让“样式”和“脚本”目录处理其余部分。 除了更容易编辑 Jupyter 生成的 Reveal 幻灯片之外，这个 repo 还包括渲染所需的一切。

2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课 课程介绍: 从基本的软件安装到必备的Python扩展讲起，然后对机器学习算法一一讲解，同时配合编程实操的实现过程，适合零基础系统学习，配套资料包括讲义作业软件数据都有。 课程目录: 第一章Numpy前导介绍 1.1、Anconda安装 1.2、JupyterNoteBook 1.3、Numpy介绍+ndarry 1.4、ndarry的shape属性巧算 1.5、ndarray的常见创建方式 1.6、NumPy中的数据类型 1.7、NumPy数据类型2 1.8、Numpy基本操作 1.9、索引和切片 1.10、索引和切片（2） 1.11、数组转制与轴兑换 1.12、通用函数 1.13、np.where函数 1.14、np.unique函数 1.15、数组数据文件读取 第二章Pandas前导课程 2.1、Pandas介绍 2.2、Series 2.3、索引对象 2.4、DataFrame 2.5、Pandas常用操作（1） 2.6、Pandas常用操作（2） 2.7、缺失值处理 2.8、pandas制图 2.9、Matplotlib（1） 2.10、Matplotlib（2） 2.11、Matplotlib中文输出解决 第三章机器学习（一） 3.1、01机器学习定义及理性认识 3.2、02机器学习商业应用场景、机器学习分类 3.3、03机器学习开发流程 3.4、04模型评估方法和部署 3.5、05线性回归原理推倒过程 3.6、06线性回归基础认识及原理讲解 3.7、07线性回归案例分析 第四章机器学习（二） 4.1、01_线性回归案例1、正则项、梯度下降 4.2、02_梯度下降方法及回归案例分析 4.3、03_线性回归、lasso、ridge、ElasitcNet以及案例分析 4.4、04_逻辑回归原理 4.5、05_逻辑回归及案例分析 4.6、06_softmax回归及案例分析 4.7、07_综合案例分析 第五章机器学习三-决策树 5.1、01决策树、属性分割、信息增益 5.2、02信息增益的计算、模型评估、ID3、C4.5、CART_ 5.3、03决策树案例分析1 5.4、04决策树案例分析二、过拟合、剪枝分析 5.5、05bagging、随机森林、随机森林案例分析 5.6、06GBDT、Adaboost原理讲解 5.7、07Adaboost案例分析、综合案例分析 第六章机器学习四-SVM支持向量机 6.1、svm讲解 6.2、核函数 6.3、代码讲解(一) 6.4、代码讲解(二 6.5、代码讲解(三) 6.6、代码讲解(四) 第七章机器学习五-聚类分析+贝叶斯 7.1、01-聚类的相似性度量（距离公式） 7.2、02-聚类思想、kmeans聚类、kmeans聚类应用案例 7.3、03-二分kmeans、kmeans++、kmeansII、canopy、mini-batchkm 7.4、04-聚类算法的衡量指标及案例实现 7.5、05-层次聚类及实现案例 7.6、06-密度聚类 7.7、07-密度聚类案例实现、谱聚类、谱聚类案例实现 7.8、08-不同聚类效果对比实现、文本案例、图片案例 7.9、09-朴素贝叶斯原理、案例1、案例2 7.10、10-贝叶斯网络 7.11、11-贝叶斯网络拓展 第八章机器学习六-EM-HMM-LDA-ML 8.1、01.EM算法讲解 8.2、02.HMM及中文分词 8.3、03.主题模型 8.4、04.spark机器学习安装环境 8.5、05.spark机器学习离线处理及训练和使用 8.6、06.机器学习实时新闻分类

基于BP神经网络实现共享单车数据预测， 可以运行，还有详细的注释 环境：anaconda+jupyter notebook。 文件包含代码+数据集

操作步骤 进入命令行环境。我使用的是conda。有两种方式进入命令行。 方法1：通过anconda navigator界面，选择environments，选择对应环境名，选择open terminal 方法2：直接使用cmd或者terminal等终端进入命令行。激活你想要配置代码补全的环境（如果是默认环境不用激活） 1.安装nbextensions  pip install jupyter_contrib_nbextensions -i https://pypi.mirrors.ustc.edu.cn/simple jupyter contrib nbextension install --

学生考试成绩 Jupyter笔记本可以显示各种因素对考试中学生表现的影响。 -项目状态：[已完成] 使用的方法 -数据可视化 - 数据分析 技术领域 - Python 图书馆 -脾气暴躁 -熊猫 -Matplotlib -Seaborn 项目简介 该项目试图分析影响考试成绩的因素。 它回答以下问题： 父母的受教育程度是否会影响学生的表现？ 吃得更好可以导致更高的考试成绩吗？ 学生考试成绩与额外的考试准备课程之间是否有任何关系？ 结果 在讨论项目的结果。 致谢 数据集： 。

这是一本带有动手方法的机器学习入门书籍。 它为所有应用程序使用 Python 3 和 Jupyter 笔记本。 重点主要是学习使用现有库（例如 Scikit-Learn）以及可在线找到的简单配方和现有数据文件。 主题包括线性、多重线性、多项式、逐步、套索、岭和逻辑回归； 二元分类的ROC曲线和度量； 非线性回归（包括梯度下降介绍）； 分类和回归树； 随机森林； 神经网络; 概率方法（KNN、朴素贝叶斯、QDA、LDA）； 用 PCA 降维； 支持向量机； 并使用 K-Means、分层和 DBScan 进行聚类。 附录提供了概率和线性代数的回顾。 虽然提供了一些数学基础，但它对于理解实现并不是必不可少的。 目标受众是高级社区学院和大学生。

布局 标题 上一次更改 维基 Jupyter笔记本 2020/11/15 12:41:21 深度学习 Scikit，学习上的IRIS数据集的感知器，神经网络，Keras。 TensorFlow Implementaion在MNIST数据集。 Softmax，交叉熵损失 使用PyTorch进行梯度计算。 层调试。 验证合并，连接方法。 在文本嵌入上验证Conv1D。 验证Image数据集上的Conv2D。 验证LSTM计算。 器具Seq2Seq学习的执行加法。 器具Seq2Seq有注意力用于添加任务。 注意机制 注意 自然语言处理 论文“神经概率语言模型（Bengio等，2003）”的实现 UCI新闻数据集上具有CNN的多类别分类。 基本字符级Seq2Seq模型 带有ELMo嵌入的情感分析。 AllenNLP教程 使用CNN / TensorBoard进行文本分类 BERT文章的示例代码。 常规机器学习 IRIS数据集的决策树可视化。 从头开始决策树从头开始 决策树，随机森林，UCI新闻数据集上的朴素贝叶斯。 在UCI新闻数据集上训练朴素贝叶斯分