使用scikit-learn掌握机器学习-第二版 这是发行的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 本书探讨了各种机器学习模型，包括k最近邻，逻辑回归，朴素贝叶斯，k均值，决策树和人工神经网络。 它讨论了数据预处理，超参数优化和集成方法。 您将建立对文档进行分类，识别图像，检测广告等的系统。 您将学习使用scikit-learn的API从分类变量，文本和图像中提取功能； 评估模型性能； 并就如何改善模型的性能形成直觉。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如，Chapter02。 该代码将如下所示： Code words in text, database table names, folder names, filenames, file extensions, pathnames, dummy U

scikit-学习食谱-第二版 这是出版的的代码存储库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 由于Python的简单性和灵活性，PythonSwift成为分析人员和数据科学家的首选语言，并且在Python数据空间中，scikit-learn是机器学习的明确选择。 本书包括机器学习中常见问题和不常见问题的演练和解决方案，以及如何利用scikit-learn有效执行各种机器学习任务。 第二版首先介绍了评估数据统计属性的方法，并生成了用于机器学习建模的综合数据。 在阅读本章的过程中，您会遇到一些菜谱，这些菜谱将教您实现一些技术，例如数据预处理，线性回归，逻辑回归，K-NN，朴素贝叶斯，分类，决策树，合奏等等。 此外，您将学习通过多类分类，交叉验证，模型评估来优化模型，并深入研究以scikit-learn实施深度学习。 除了涵盖模型部分，API和分类器，回归器和估计器等

整个项目源码： 整个项目数据集：、 引言 本次分享主要介绍，如何对道路上的汽车进行识别与跟踪。这里我们实现一个简单的demo。后续我们还会对前面的代码及功能进行重构，从而进一步丰富我们的功能。 项目软件框架 下图是车辆检测的实现流程图： 具体内容如下： 在有标签的训练数据集上进行Histogram of Oriented Gradients(HOG)特征提取 Normalize 这些特征，并随机化数据集 训练线性SVM分类器 实现一个滑动窗口技术，并使用训练好的分类器在图片中寻找车辆 实现一个流处理机制，并通过一帧一帧地创建循环检测的热图来去除异常值及跟踪车辆 为检测到的车辆估计一个边界框 Features 本项目，我们使用一些有标签的训练数据：汽车图片、无汽车图片，训练数据在all文件夹中可以找到 有汽车地图片标签为1，无汽车的图片标签为0 我们先读取数据，看下数据的分布 # impor

贾维斯 数据 生成数据和意图 建造 建立变压器模型，训练并另存为H5模型 跑 部署并测试模型。 两种方式 合作实验室 特肯特

歌词条件下的神经旋律生成（在演示）。 2020年9月19日，@@@：可以从下载完整的歌词旋律源。 2020年9月17日，@@@：更新了读者的答案，并发布了此工作的更新版本在多媒体计算中ACM交易接受了共享通信与应用（TOMCCAP），2021年。@ 2020年2月14日：发布了用于歌词生成的常规LSTM-GAN编码， 为 如果您使用我们的歌词旋律数据集和歌词嵌入（包括在我们的歌词数据集中经过专门训练的跳码mdoel和BERT模型），请引用我们的论文“用于从歌词生成旋律的有条件LSTM-GAN”，网址为 ，在2021年被ACM多媒体计算通信和应用交易记录（TOMCCAP）接受。您可以找到我们在本文的主观评估中使用的12种旋律（melodies_experiment.zip）。 这12种旋律分别通过基线方法，LSTM-GAN和基本事实生成。 -基线方法：bas1-4--; --LSTM-GA

乳腺癌预测

恩斯塔机器人 这是我在课程中所做的事情，其中​​大多数是代码，但有些包含报告。 希望这对其他ENSTA机器人学生有所帮助。 对于ROB 306 对于ROB 307 对于ROB 311 对于ROB 317

Myproject:我的GitHub个人资料的配置文件

该数据接近了两所葡萄牙学校的中学学生的学习成绩。 数据属性包括学生成绩，人口统计学，社会和学校相关特征），并通过使用学校报告和调查表进行收集。 提供了两个有关两个不同学科表现的数据集：数学（mat）和葡萄牙语（por）。 在[Cortez and Silva，2008]中，两个数据集是在二进制/五级分类和回归任务下建模的。 重要说明：目标属性G3与属性G2和G1具有很强的相关性。 发生这种情况是因为G3是最后的年级（在第3期发布），而G1和G2分别对应第1和第2期年级。 没有G2和G1的情况下预测G3更加困难，但是这种预测更为有用（有关更多详细信息，请参见纸本资料）。 从该数据集中，只有student_mat被带K-fold交叉验证，一个不带。

实用的时间序列分析 这是出版的《 的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 时间序列分析使我们能够分析一段时间内的某些数据并了解数据随时间变化的模式，这本书将使您了解时间序列分析背后的逻辑并将其应用于各个领域，包括财务，业务和社交媒体。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如，Chapter02。 该代码将如下所示： import os import pandas as pd %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns 您将需要Anaconda Python发行版来运行本书中的示例，并编写自己的Python程序以进行时间序列分析。 可从免费下载。 本书的代码示例是使用Jupyter Noteb