探索性数据分析-汽车数据集 UCI机器学习存储库 资料来源： ： 该项目涉及两个主要分析： 汽车符号值与其车身样式和物理参数的关系 汽车价格与其车身样式，尺寸和发动机规格的关系 用于分析工作的Python笔记本： 参考： 美国公路安全保险学会| 公路损失数据研究所-

虹膜数据集 分析虹膜数据集并构建机器学习算法以使用花瓣和萼片维度对虹膜植物类型进行分类

GoodReadsReviewScraper 从GoodReads中提取评论数据并将其转换为csv。 在命令行中接受一个参数： GoodReads_Review_Scraping_Only_V2.py --goodreads_url [您的网址在这里]

超点 这是“ SuperPoint：自我监督的兴趣点检测和描述”的Tensorflow实现。 Daniel DeTone，Tomasz Malisiewicz，Andrew Rabinovich。 。 HPatches上的结果 检测器评估 HPatches的可重复性，计算出在成对图像之间共有300个点，并且NMS为4： 照明变化 观点改变 SuperPoint（我们的实现） 0.662 0.674 SuperPoint（ ） 0.641 0.621 快速地 0.576 0.625 哈里斯 0.630 0.755 施 0.584 0.629 描述符评估 对HPatch进行的单应估计法，计算出的最大成对图像之间共检测到1000个点，正确性阈值为3，NMS为8： 照明变化 观点改变 SuperPoint（我们的实现） 0.965 0.712 SuperPoint

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

深度学习音频超分辨率 这是我的数据科学硕士学位论文项目。 抽象的 音频超分辨率是从低频预测给定信号缺少的高频成分的问题。 最近的一些研究表明，通过将音频超分辨率建模为回归任务，深度学习算法能够取得显着效果。 文献中已经提出了各种各样的方法，包括卷积和递归体系结构以捕获音频帧之间的局部和长期依赖性。 此外，一些研究表明，通过利用傅立叶变换操作作为神经网络配置的组成部分，不仅可以在时间上，而且可以在频域上处理输入信号，可以实现显着的改进。 本项目的目的不仅是要研究这些方法，而且要以有原则的方式将它们结合起来，以探索一种新颖的模型架构。 介绍 本文的重点是在受到一些最新技术启发的情况下，实现一种新颖的模型体系结构。 这项工作中大多数提议的方法都源于以下两项研究： 索耶·比恩鲍姆（Sawyer Birnbaum）等。 “临时电影：用特征明智的调制捕获远程序列依赖性”。 于：神经信息处理系统的进展

基于内容的电影推荐系统 基于余弦相似度的基于内容的电影推荐系统 使用Jupyter Notebook的余弦相似度创建基于内容的电影推荐系统

CSE523-机器学习-SSSR CSE523机器学习SSSR存储库包含使用KNN，ALS和SVD算法的电影推荐系统。 电影推荐系统 介绍 我们使用协作过滤制作了一个电影推荐系统，其中我们同时使用了基于内存的协作过滤和基于模型的协作过滤。 因此我们实施了3种算法 K近邻（KNN） 这是一种基于内存的聚类算法 交替最小二乘（ALS） 它是基于模型的矩阵分解算法 奇异值分解（SVD） 它是基于模型的矩阵分解算法 结果 参考 哈里森·奥尼尔（Onel）。 “具有K最近邻算法的机器学习基础。” 中等，迈向数据科学，2019年7月14日，通向datascience.com/machine-learning-basics-with-the-k-nearest-neighbors-algorithm-6a6e71d01761 Gupta，Meenu等。 “使用协作过滤的电影推荐系统。” 2020年电

Stackoverflow标签预测 业务问题 Stack Overflow是最大，最受信任的在线社区，供开发人员学习，共享其编程知识并建立自己的职业生涯。 堆栈溢出是每个程序员都以一种或另一种方式使用的东西。 每个月，超过5000万的开发人员来Stack Overflow学习，分享他们的知识并建立自己的职业生涯。 它以关于计算机编程的广泛主题的问题和答案为特色。 该网站为用户提供了一个提问和回答问题的平台，并通过成员资格和积极参与，以类似于Wiki或Digg的方式对问题和答案进行上下投票以及编辑问题和答案。 截至2014年4月，Stack Overflow已拥有超过4,000,000个注册用户，并且在2015年8月下旬，它已超过10,000,000个问题。基于分配给问题的标签的类型，该网站上讨论最多的八个主题是：Java，JavaScript，C＃，PHP ，Android，jQuery，

预测澳大利亚墨尔本市每日最低气温 概述 我预测了澳大利亚墨尔本市的最低每日温度的项目。 使用来自澳大利亚气象局的墨尔本10年（1981-1990年）最低日平均气温的单变量数据集。 ARIMA模型 第一组预测是使用ARIMA模型及其经过修改的版本进行的，以说明季节性问题。 不出所料，季节性适应对天气变量具有最佳表现。 LSTM模型 使用包含LSTM块的神经网络进行第二组预测。 这包括窗口为6和365的每日预测，尽管对于365而言预测稍好一些，但是性能的提高被计算成本的增加所抵消。 最终预测是针对每周和每年的天气预报。