恢复上升 简历解析器和摘要器工具可对简历进行分类，并根据用户要求对简历进行排名。 数据集 包含1000个以csv格式标记的简历（根据特定简历所属的主要类别/类别进行标记）。 我们将使用此csv格式的简历数据集来训练我们的模型以进行分类。 然后，我们的模型应该能够处理任何看不见的简历。 参考文件： Utils / Analysis.ipynb ：数据清理+预处理+可视化+见解 Utils / Summarize.ipynb ：恢复汇总算法 Utils / pdftotext.ipynb ：使用pdfminer将odf转换为文本 Utils / Modelling.ipynb ：主文件+代表性更改+培训+模型比较+测试 Utils / naive_bayes.ipynb ：多项朴素贝叶斯实现 Utils / svm.ipynb ：svm实现 Utils / clean_data1.csv ：

数独 使用 OpenCV 的增强现实数独求解器。 用法 安装 pip install -r requirements.txt 主文件 usage: main.py [-h] [-f FILE] [-s] [-w] [-d] arguments: -h, --help show this help message and exit -f FILE, --file FILE File path to an image of a sudoku puzzle -s, --save Save image to specified file's current directory -w, --webcam Use webcam to solve sudoku puzzle in real time

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

机器学习基础教程（Rogers）内的源码，包含.m和.r文件，大家下载学习吧！

法律文本的数字化以及人工智能，自然语言处理，文本挖掘，网络分析和机器学习的进步，导致了律师和法律学者的新形式的法律分析。 本文概述了计算方法如何影响各种法律学术领域的研究，从对法律文本的解释到对构成法律的因果因素的定量估计。 随着计算工具继续渗透到法律学术领域，它们使学者们能够在传统研究问题上获得关注，并可能产生全新的研究计划。 计算方法已经在各种与法律相关的研究领域中促进了重要的贡献。 随着这些工具的不断发展，法律学者对它们的潜在应用越来越熟悉，计算方法的影响可能会继续增长。

机器学习 Parag Singla教授教授的机器学习课程作业。 每个文件夹都包含问题说明，Python代码和最终报告（具有图形等）。 作业 线性回归 局部加权线性回归 逻辑回归 高斯判别分析 朴素贝叶斯 SVM（使用Pegasos和libsvm） 决策树 神经网络 K均值 PCA +支持向量机 PyTorch中的神经网络 在PyTorch / Keras中的CNN

Algorithms for constructing decision trees are among the most well known and widely used of all machine learning methods. Among decision tree algorithms, J. Ross Quinlan's ID3 and its successor, C4.5, are probably the most popular in the machine learning community. These algorithms and variations on them have been the subject of numerous research papers since Quinlan introduced ID3. Until recently, most researchers looking for an introduction to decision trees turned to Quinlan's seminal 1986 Machine Learning journal article [Quinlan, 1986]. In his new book, C4.5: Programs for Machine Learning, Quinlan has put together a definitive, much needed description of his complete system, including the latest developments. As such, this book will be a welcome addition to the library of many researchers and students.

ArtLine：基于深度学习的项目，用于创建线条艺术肖像

matlab资源分配的代码基于机器学习的无线通信优化问题的论文和代码 这是使用基于机器学习的算法解决的无线通信优化问题论文/代码的集合。 任何贡献表示赞赏。 主要侧重于资源分配和信道分配。 特别寻找基于 PyTorch 的论文/代码。 TF=TensorFlow； PT=PyTorch 带代码的论文列表 纸 代码 无论文代码列表 代码

Fisher's linear discriminant