机器学习项目
材料科学中的机器学习课程项目
该程序的目的是研究太阳能电池温度和太阳能电池效率之间的关系，以设计和教授用于太阳能电池研究的机器学习（ML）模型。
通过选择第一个正确的目录和正确命名的数据集（可以更改）来调用程序。 该程序将数据集名称视为太阳能电池温度，以便轻松访问特定文件夹中的数据集。
进入OS外壳程序所在的文件夹后，按以下方法运行程序：
如果是Windows-> python。\ solarEfficiency.py
如果是Linux-> python3 solarEfficiency.py
还要检查您是否具有所需的数据集和依赖项。 ML程序使用的数据包和库可以在requirments.txt文件中找到。
如果需要，可以将程序算法用于绘制其他类型的数据集。
src文件夹保存C ++程序的源代码，该代码读取数据集并生成一个输出文件，该文件包含来自读取的数据集中的
2022-07-10 00:08:32
1.87MB
1
Python机器学习项目开发实战案例研究_俄亥俄州诊所-满足供求_案例解析实例详解课程教程.pdf
2022-06-23 18:06:57
4.42MB
Python机器学习项目开发实战案例研究_确定营销短尾关键词_案例解析实例详解课程教程.pdf
2022-06-23 18:06:56
4.04MB
Python机器学习项目开发实战案例研究_消除混凝士抗压强度的不一致性_案例解析实例详解课程教程.pdf
2022-06-23 18:06:56
5.35MB
Python机器学习项目开发实战案例研究_预测雅虎的每日调整的收盘价_案例解析实例详解课程教程.pdf
2022-06-23 18:06:55
4.09MB
Python机器学习项目开发实战案例研究_自行车共享计划-确定品牌角色_案例解析实例详解课程教程.pdf
2022-06-23 18:06:54
4.9MB
本课程通过一系列内容讲解和编码实战，按照由易到难，由浅入深的顺序展开，
让学员在实践中，依次对传统机器学习中的回归问题和分类问题，
基于传统机器学习的自然语言处理技术，神经网络和深度学习，
以及基于深度学习的自然语言处理技术进行编码实现，
使得学员可以在编码中对机器学习有一个直观的认识和体验，
在实践中完成理论联系实际的过程并加深对机器学习技术的理解与运用。
2022-06-23 10:40:13
3.32MB
1
项目背景：运用回归模型进行房价预测。影响房价的因素有很多，在本题的数据集中有79个变量几乎描述了爱荷华州艾姆斯（Ames，lowa）住宅的方方面面，要求预测最终的房价。
数据介绍：使用BartdeCock于2011年收集 [DeCock,2011]， 涵盖了 2006−2010 年期间亚利桑那州埃姆斯市的房价。
技术栈：
特征工程（Creative feature engineering）
回归模型（Advanced regression techniques like random forest and gradient boosting）
常规模型融合：多模型平均融合、
高阶模型融合方法：bagging、boosting
目标：
预测出每间房屋的价格，对于测试集中的每一个ld，给出变量SalePrice相应的值。
算法通过计算平均预测误差来衡量回归模型的优劣。平均预测误差越小，说明回归模型越好。
2022-05-15 12:04:56
5.16MB