ODI利兹COVID-19英国数据集聚合器 我们创建了此存储库，以汇总（并跟踪）英国四个国家的重要COVID-19数据集的状态。 由于我们以前依靠的现在正在发生这种情况。 我们已经依赖于此，除非我们自己整理详细信息，否则我们的和“将不再更新。 数据集 笔记 案例数据： 英国 英格兰数据易于使用。 从仪表板链接-这可能会消失。 列标题具有空格，因此作为属性不太容易使用。 苏格兰 CSV在github存储库中，因此更易于引用。 ...但是每个NHS板的数据都在一个宽表中（行/日期，每个板的列）=>加工过程不那么容易。

官方网站 使用我们的数据集进行比赛 数据集许可证

基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab） 基于机器学习的COVID-19 Corona感染预测（Matlab）

MATLAB用拟合出的代码绘图dataAndModelsCovid19 安装 克隆此存储库 git clone https://github.com/gasilva/dataAndModelsCovid19.git 或使用GitHub桌面和文件，克隆存储库 用法 直接在源.py文件中进行更改。 通过变量opt选择一个选项1至5 #Initial parameters #Choose here your options #option #opt=0 all plots #opt=1 corona log plot #opt=2 logistic model prediction #opt=3 bar plot with growth rate #opt=4 log plot + bar plot #opt=5 SEAIR-D Model opt = 0 国家模型 选择要在日志中绘制的国家/地区以分析增长率。 所有国家/地区可用。 #prepare data for plotting country1 = "US" country2 = "Italy" country3 = "Brazil

新型冠状病毒数据集（COVID-19）.zip

包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的CT影像数据集，肺部CT数据集。包含数千幅健康/普通肺炎+健康/Covid-19肺炎的

文件中包括一个新冠肺炎CT图像数据集、使用LLE、PCA以及PCA_LLE算法进行数据降维，结合SVM对数据进行训练与识别，在LLE 算法中，实现对 LLE 算法中邻域 k，维度 d 的最优估计问题，并经过 SVM最后分类识别结果作为评价标准。结果表明，参数优化算法具有一定的准确性，在优化的 k 值与 d 值时，LLE+SVM 的分类正确率最高，同时实验发现，PCA_LLE 组合算法的分类正确率与 LLE 算法相近，但是时间复杂度却远低于LLE 算法。 总结：资源中包括LLE算法，瑞士卷的处理、LLE参数的优化、PCA与LLE算法的结合，最后进行分类识别，识别率高达85%。

:medical_symbol:‍:medical_symbol: COVID-19侦探AI 基于深度CNN的AI应用程序，可使用胸部X射线进行COVID诊断 :information: 为了进行部署，此存储库是先前迭代的Flask版本，您可以在此处参考 现场演示： 科技栈 PyTorch（DL模型） OpenCV 烧瓶（后端） Gunicorn服务器 Heroku（PaaS） 模型训练 我在此添加了有关训练和推理模型的详细说明。 在此仓库中，我将仅具有构建前端和部署的说明。 操作说明 要在本地运行， 使用git clone克隆此存储库。 在项目目录中打开一个终端。 使用pip install -r requirements.txt安装依赖项 运行python app.py以在localhost:5000上打开该应用程序。 在Heroku上部署 在heroku中进行部署有点麻烦，涉及许多错误修复。 希望我能指导您。 由于我在应用程序中使用了PyTorc

2021年3月16日更新，美国东部标准时间2:20 美国COVID-19数据 [（ ）| ] 我们 报告总数 3月15日 7天平均值 案例 29,518,746 57,083 55,153 死亡人数 535,227 751 1,394 []

COVID风险预测 使用朴素贝叶斯和决策树算法进行COVID-19风险预测