旅行保险索赔预测 为保险公司建立机器学习模型，以预测保险购买者是否会申请旅行保险。

使用Web界面训练和部署机器学习模型 - 采用Docker，PyTorch和Flask实现

美国人口普查数据集的数据，该数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K/year。该数据集类变量为年收入是否超过50k，属性变量包含年龄，工种，学历，职业，人种等重要信息，值得一提的是，14个属性变量中有7个类别型变量，数据集各属性：其中序号0~13、是属性，14是类别

CryptoLeprechaun：一种机器学习模型，该模型可以预测每天的比特币价格，并附带可视化的获利能力

轴承；故障诊断；迁移学习

场景分类 该项目主要涉及图像分类。 这里的目标是使用深度神经网络将全球场景分类为六种可能的类别之一。 场景分类的应用范围可以从在智能手机中组织照片，通过旅游业规划促进国家经济增长等方面。 数据集是Kaggle提供的英特尔图像分类。 （ ）总共有25,000张图像，其中17,000张被标记为6类，包括建筑物，森林，冰川，山脉，海洋和街道。 使用训练集中的图像对模型进行训练，并预测预测集中的图像类别。 本项目对自训练模型和预训练模型进行了实验，并对所有模型的性能进行了比较和分析。 有关如何运行代码的说明：---- data_prep.py-此文件允许我们加载数据。 vgg16.py vgg19.py res.py inception.py inceptionRes.py-这五个文件使用经过预训练的网络，而不会进行数据扩充。 aug_plots.py-此文件绘制所选图片的增强方式。

该文件是深度学习 下载的 学习模型配套的标签文件，可以用于学习android开发、机器学习等，欢迎需要的朋友下载。

matlab中存档算法代码使用多层感知器和支持向量机的信用卡客户默认预测 这是使用多层感知器和支持向量机的信用违约预测的比较研究。 它是伦敦大学城的MSc数据科学的“神经计算”模块的一个单独项目的结果。 该项目的主要目标是解决极端的类别失衡问题（80％的非违约者和20％的违约者）。 使用了两种平衡技术：Adasyn和Borderline Smote。 另外，还测试了使用RELIEF算法进行的特征选择是否会导致模型的更好性能。 在“多层感知器和支持向量机的比较研究”文件夹中，您可以找到用于评估的Matlab代码和报告。 “ Matlab代码”文件夹包含每个受过训练的模型（总共16个）的所有必要文件（使用的数据和功能）。 项目报告将为您提供有关问题，项目过程和结果的总体思路。 建议先阅读报告，然后再查找代码。 该数据集是从UCI机器学习存储库（）中检索的，并已在Python中进行了预处理。 执照：麻省理工学院

清华大学出品的深度学习全套课程PPT学习课件，非常适合大学生和职场人士学习，也适合老鸟复习回顾，完全可用于自学入门，很经典好用的PPT课件哦~ （1）第1章 深度学习的来源与应用。 （2）第2章 深度学习的数学基础。 （3）第3章 人工神经网络与深度学习。 （4）第4章 神经网络的正反向传播。 （5）第5章 深度学习模型。 （6）第6章 深度学习开源框架。 （7）第7章 深度学习在图像中的应用。 （8）第8章 深度学习在语音中的应用。 （9）第9章 深度学习在文本中的应用。 （10）第10章 深度学习前沿发展。

Stroke_Prediction_6ML_models 该项目使用六个机器学习模型（XGBoost，随机森林分类器，支持向量机，逻辑回归，单决策树分类器和TabNet）进行笔画预测。 为此，我使用了Kaggle的“ healthcare-dataset-stroke-data”。 为了确定哪种模型最适合进行笔画预测，我绘制了每种模型的曲线下面积（AUC）。 AUC越高，模型越好