Fake_News_Detection：使用Scikitlearn进行虚假新闻检测的机器学习方法

基于语音的性别识别 基于语音的性别识别，使用： 免费的ST美国英语语料库数据集（SLR45） 梅尔频率倒谱系数（MFCC） 高斯混合模型（GMM） 数据集 可以在上找到免费的ST美国英语语料库数据集（SLR45） 。 它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。 每个说话者大约有350种话语。 理论 语音特征提取 此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。 MFCC通常如下得出： 进行信号（窗口摘要）的傅立叶变换。 使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。 记录每个梅尔频率下的功率对数。

GMM_Digital_Voice_Recognition 基于GMM与MFCC特征进行数字0-9的语音识别，GMM，MFCC，语音识别，中文数据，sklearn，scikit-learn，数字语音识别。 预安装 conda create -n GMM -c anaconda python=3.6 numpy pyaudio scipy #也可以使用pip conda activate GMM pip install -r requirements.txt 数据链接： ://pan.baidu.com/s/124TiAs8m7Ioa2_3dUrxGSg提取码：xsfe 以下命令假设下载

该存储库包含一个软件框架，用于使用多模式MRI和来自三个可公开获得的数据集 ， 和PET数据对阿尔茨海默氏病（AD）进行自动分类的可重现机器学习实验。 它由开发。 在目录中，有数据转换，预处理和分类任务的示例，这些示例说明了如何使用的不同功能。 此代码依赖于Clinica的最新发行版本。 如果您有兴趣访问包含使用Clinica的实验代码和我们的论文结果的代码库，请转到相应论文的分支： 引用这项工作 如果您使用此软件，请引用： J.Samper-Gonzalez，N.Burgos，S.Bottani，S.Fontanella，P.Lu，A.Marcoux，A.Routier，J.Guill

NBA比赛结果得分预测 Latif Atci和Berkay Yalcin 这是什么？ 这是一个预测NBA比赛结果并预测每个季度得分的项目。 该项目的细节 我们收集了2012年至今的NBA比赛数据。 然后，我们分析了数据并进行了特征工程。 我们为每个季度的得分，半场得分，最终得分和比赛结果概率建立了11个模型。 先决条件：

葡萄酒品质 使用来自kaggle的数据集进行葡萄酒质量预测。

使用机器学习的信用卡欺诈检测 信用卡欺诈是一个日益严重的问题，面临许多挑战，包括时间漂移和严重的阶级失衡。 该项目尝试使用包括自适应合成采样方法（ADASYN）和合成少数采样率（SMOTE）在内的最新技术来解决班级不平衡问题。 2013年9月在欧洲进行的超过280k真实交易[1]被用作训练数据集。 比较了三种类型的机器学习模型：随机森林，支持向量机和多层感知器。 结果表明，不平衡数据集的最佳采样方法取决于数据集和所使用的模型。 该项目包含以下组件： a）PDF格式的IEEE风格论文 b）Jupyter Notebook进行了机器学习测试。 您可以运行视图并自己运行它们。 还包括注释，推理和数字。 为了方便起见，我在此git repo中包含了原始数据集的副本[1]，但是请参考原始资源以获取最新版本。 该项目是2017年冬季在滑铁卢大学进行的SYDE 522：机器学习的一部分。 安装 克隆项目： $ git clone https://github.com/yazanobeidi/fraud-detection.git && cd fraud-detection Pip安装依赖项

乳腺癌预测：乳腺癌分析

Python Machine Learning and Deep Learning with Python, scikit-learn and Tensorflow (Step-by-Step Tutorial For Beginners)

(英文第二版)Mastering Machine Learning with scikit-learn, 2nd Edition(英文第二版)Mastering Machine Learning with scikit-learn, 2nd Edition