kdd99ml 使用kdd99数据集的SciKit ML算法演示 基于Charanpal Dhanjal的工作 所使用的数据集是KDD Cup 99数据集 要下载数据集： 下载具有以下内容的KDD Cup 99数据集： wget 要么 wget 并解压缩。 第一个约占740MBytes，第二个约占71MBytes。 如果您使用较小的数据集，请在代码中调整文件名：raw_data_filename = data_dir +“ kddcup.data”更改为raw_data_filename = data_dir +“ kddcup.data_10_percent” 使用pyt

使用深度学习的混合恶意代码检测 关于 这是一种基于深度学习的混合恶意代码检测方法的Keras实现。 基本上，它是由自动编码器和深度信任网络组成的混合模型。 有关数据集的详细信息，请。 Python依赖 脾气暴躁的 凯拉斯 大熊猫 Scikit学习 张量流 环境设定 如果使用Python Ananconda Environment，则更可取。 您可以从下载 使用以下命令创建新的conda环境： conda create -n hybrid-code python=3.5 通过运行以下代码来激活环境： source activate hybrid-code 要安装所需的库，请运行以下命令：

机器学习 1.교재 머신러닝（动手机器学习） 2.목차 第1部分。 第01章- 第02章- 第03章- 第04章- 第五章- 第06章- Chap07- 第08章- 第2部分。 第09章- 第10章- 第11章-심층 저→ 업로드정 第12章-下载→ 로 → 업로드정 第13章- 第14章-[순환，RNN] 第15章- 第16章- 3.참고자료 GitHub的： ： Scikit-Learn ： ： //scikit-learn.org TensorFlow ： : //www.tensorflow.org

比较轨迹聚类方法 这是我的模式识别课程学期项目。 目标是在民用飞行数据上比较4种聚类算法（k型，高斯混合模型，dbscan和hdbscan）。 可以在report.pdf文件中找到更多详细信息。 产生的集群如下所示： 应用轨迹分割以减少采样点的数量，并使用hausdorff距离比较轨迹之间的相似性。 更新（2019年2月） 添加了一个演示项目的每个步骤。 首先请看一下，它比项目的其他部分更短，更容易理解。 它还在公共数据集上显示了这些步骤。 公开数据集： 集群轨迹：

糖尿病发作检测 @machinelearning{han2021cs, title={Diabetes Onset Detection using Keras Model}, author={Nguyen, Han}, year={2021}, associate={Personal Project} } 简要描述;简介 该项目是一个基于机器学习的应用程序，通过Keras模型和寻找最佳超参数的训练方法（使用网格搜索和scikit-learn并优化神经元数量）来预测个人是否患有糖尿病。 有关更多详细信息，请参阅《 我学到的是 在这个项目中，我利用自己的知识来构建Keras模型，以及对参数的不同更新（从学习率，辍学，激活，神经元初始化），以了解哪种方法可以产生最佳的准确性。 我还了解到，使用此模型，训练精度非常高； 但是，测试精度略低于80％。 这意味着我们在误报和误报方面

用pip安装scikit_learn库的时候无法选择0.23版本，需下载到本地，然后进行安装。 进入到anaconda的scripts目录下 pip install scikit_learn-0.23.1-cp36-cp36m-win_amd64.whl

sklearn源码包

scikit-image-0.13.1.tar,官网下载较慢，方便大家下载使用。

手写数学表达识别 该项目旨在识别，划分，分类和解析手写数学表达式。 *项目的第一阶段，即单个数学符号的分类以及垃圾拒绝已于2018年3月5日完成。 *项目的第二阶段，即将表达式分割成单个符号并传递给分类器引擎，已于2018年4月8日完成。 第三阶段，项目的最后阶段已经完成。 此阶段构建了一个解析器，该解析器采用分类的符号并将它们编织成逻辑上正确的数学表达式。 为了进行训练，使用了CROHME数据集： ://www.isical.ac.in/~crohme/CROHME_data.html 请在项目中找到README.txt文件，以获取提取特征和运行模型的说明。 有关功能和模型的更多

深度发送 项目描述 该项目将基于唤醒价情感模型（又称为）分析用户上传的音乐文件。 唤醒代表音乐对人耳的强烈或“刺激性”，从平淡而放松的感觉到强烈而令人振奋的感觉。 此处的价表示音乐听起来多么令人愉悦或多么悲伤。 这个定义比定义要窄，但是对于机器学习模型来说更容易分类。 此外，该项目还实现了节奏检测和音乐流派检测的功能。 Web框架： ， 涉及技能：HTML，CSS，javascript，python 放大细节 节奏，唤醒和化合价检测：音乐原始数据的中间50％被分为5秒帧，步长为0.5秒。 然后将每个帧分成较小的25ms子帧，然后将其转换为MFCC（梅尔频率倒谱系数）阵列。 最后，将最初为矩