包含《 UCI数据分析2020-2021》的作业

正在进行的工作 git submodule update --init --recursive cd fastaugment mkdir -p build && cd build cmake .. && make cd ../../sigmoid_like_tf_op mkdir -p build && cd build cmake .. && make

猫狗识别应用 本项目为Udacity机器学习课程毕业项目。 该项目关键难点在于： 开题报告以及论文的编写 图像原始数据的处理（异常检测、数据增强、图像尺寸标准化） 基于多个成熟CNN模型的模型融合 分类器的训练 对预测值的处理 目录结构说明 ├── app # 应用部署包 │ ├── model # 预训练CNN模型 │ ├── static # 静态资源文件 │ ├── templates # App网页入口 │ ├── cnn_model.py # 融合模型 │ └── webapp.py # 前端控制器 │ └── submission # 项目过程文档 如何运行 安装Anaconda,Tensorflow与Keras 具体安装方法请自行百度。 创建运行环境 $ conda create -n py36 python=3.6 切换运行环境

PRD

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

Ego_network:用Python类创建ego_network！

该项目的详细文章可以在找到 目录 基本信息 在该项目中，我们已经开发了神经网络以使用卷积神经网络对细胞是否被感染进行分类。 我们使用了Kaggle提供的数据集，其中包含27558张受感染和未感染细胞的图像。 先决条件 要使用它，您需要满足以下条件： 1. Python3 2. Pip 正在安装 在计算机上获得必备条件后，执行以下命令： $ pip install -r requirements.txt 这将为您安装所有必需的库。 依存关系 使用以下项目创建项目： Keras： pip install keras pip install numpy ： pip install numpy Matplotlib： pip install matplotlib Seaborn： pip install seaborn Scikit了解： pip install sklearn O

Jupyter Notebook 修正模型 数据导出 数据预处理 波导计算

在Python中实现规范多元（CP）张量分解的简短教程 Jupyter Notebook

Kaggle TalkingData AdTracking欺诈检测挑战 第48解决方案，竞赛链接： : ：笔记本电脑版本 ：脚本版本，在私有LB上大约为0.9824 blending.ipynb：混合历史模型，这使我提高了约0.0002 FTRL.ipynb：由于时间有限，没有尝试过 在完整的训练数据上运行此代码需要96GB RAM和128G交换空间 一些解决方案作为参考 火车日志 请参阅