sw-kaggle 关于 kaggle 问题的解答与优化 主要工作：可视化分析不同特征与存活率的关系， 类别特征one-hot编码，数值特征分段处理，pipeline预处理数据, 使用LR， RF等进行投票分类，最终排名top10% 主要工作：多分类问题，给定手写数字，进行0-9识别。分别使用numpy，tensorflow搭建ANN, CNN进行训练，识别率98% 主要工作：使用nltk， sklearn，构建关于问题特征的向量进行相似性判断,采用lightgbm进行训练，完成相似问题判断。 个人工作： 主要工作：针对全书每一章节进行分词，tf-idf文档向量化，分别使用监督和无监督进行训练预测， 并与其它名著对比结果。 [拉勾和Boss直聘关于机器学习岗位的简单分析] 主要工作：在两个不同的求职平台，分别以 机器学习 为关键字， 进行搜索，获取全部结果，对其进行简单分析，代码和分析见

相似图 代码，从两个神经网络的输出创建相似度图。

简单人工神经网络（ANN） 关于案例研究 在此业务案例研究中，我们预测了银行客户的流失率。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。从数百万的客户中，我们随机选择了1万个客户。 我们将使用客户的特征来确定他/她离开银行的可能性。 为了了解银行的客户，我们将使用一种深度学习技术，即人工神经网络（ANN）。 此外，我们将使用流行的Python库（例如Tensorflow，Keras）和机器学习技术（例如Adam Optimizer）来训练ANN模型并预测客户流失率。 数据：客户数据存储在： 论文：ANN案例研究论文： 研究论文 代码：Artificial_Neural_Network_Case_Study.py SAMPLE_OUTPUT = ANN_Case_Study_Sample_Output_1.png SAMPLE_OUTPUT = ANN_C

Dianji Code for the paper "Distributed Economic Dispatching for Multi-region Power System" 多区域互联电力系统的分布式优化调度方法 该项目实现集中式调度，联络线两段通过等式约束使之相等。 各项输入参数与分布式调度相同。 By Chunting 2015/01/27

guli_school_java 尚硅谷谷粒学院项目 后端代码

流水线处理器 用于模拟单核 5 级流水线处理器的 C 代码。

深度元度量学习（DMML） 此存储库包含ICCV19论文的PyTorch代码：深度元度量学习，包括对Market-1501和DukeMTMC-reID数据集的人员重新识别实验。 要求 Python 3.6+ PyTorch 0.4 tensorboardX 1.6 要安装所有python软件包，请运行以下命令： pip install -r requirements.txt 数据集 正在下载 可以从下载Market-1501数据集。 可以从下载DukeMTMC-reID数据集。 准备 下载完上面的数据集后，将它们移动到项目根目录下的datasets/文件夹中，并将数据集文件夹分别重命名为“ market1501”和“ duke”。 即， datasets/文件夹应组织为： |-- market1501 |-- bounding_box_train |-- bo

基于对称显着性的对抗攻击自动编码器。 安装 > git clone https://github.com/BravoLu/SSAE.git > cd SSAE > pip -r install requirements.txt 开始使用 演示版 我们在上部署了一个resnet18模型，您可以使用目录./images/original_examples/中的图像进行测试。

基于文本的抑郁症分析 本文源代码 先决条件 所需的python包可以在requirements.txt找到。 torch==1.2.0 kaldi_io==0.9.1 bert_serving_server==1.9.6 pytorch_ignite==0.2.0 numpy==1.16.4 librosa==0.7.0 tabulate==0.8.3 mistletoe==0.7.2 scipy==1.3.0 tqdm==4.32.2 pandas==0.24.2 fire==0.1.3 imbalanced_learn==0.5.0 allennlp==0.8.5 gensim==3.8.0 ignite==1.1.0 imblearn==0.0 nltk==3.4.5 plotnine==0.6.0 scikit_learn==0.21.3 PyYAML==5.1.2 预训练模型