2021年3月2日 研究TMDb电影数据集 该项目是为Udacity的Data Analyst纳米级程序编写的。 主要目标是研究使用Python 3和诸如numpy，pandas和matplotlib之类的库执行整个数据分析过程的数据集。 为此选择了TMDb电影数据集。 该数据集已从原始数据中清除，包含有关1960年至2015年之间制作的超过1万部电影的基本信息。 这个项目的范围非常有限，仅限于讨论电影的几个方面，可以认为是成功的。 假定有两个变量可以衡量电影的成功程度，投票平均得分和收入，尽管其他变量也可以用于此目的。 使用的文件 调查数据集 tmdb-movies.csv

使用AzureML进行心力衰竭预测 在此项目中，我们演示如何使用Azure ML Python SDK使用Azure AutoML和Hyperdrive服务来训练模型以预测由于心力衰竭导致的死亡率。 训练后，我们将部署最佳模型并通过使用它来评估模型端点。 项目设置与安装 若要设置此项目，我们需要访问Azure ML Studio。 项目设计的申请流程如下： 使用计算实例创建一个Azure ML工作区。 创建一个Azure ML计算群集。 从此资源库将心力衰竭预测数据集上载到Azure ML Studio。 将此存储库中附加的笔记本和脚本导入到Azure ML Studio中的“笔记本”部分。 笔记本中详细介绍了所有运行单元的说明。 数据集 概述 数据集用于评估心力衰竭患者的严重程度。 它包含2015年4月至12月在费萨拉巴德心脏病研究所和费萨拉巴德（巴基斯坦旁遮普）联合医院收集的

分析测试结果 对于 Udacity 高级数据分析纳米学位，我使用统计技术来分析电子商务网站运行的 A/B 测试的结果。

整理并分析数据WeRateDogs推特帐户 Udacity Data Analyst 2021：Wrangle和分析数据-WeRateDogs twitter帐户项目

雷达波形设计matlab代码雷达目标的产生与检测 Udacity的传感器融合工程师纳米学位计划项目 项目目标 这是基于MATLAB的雷达目标生成和检测实现，可用于： 使用提供的雷达设计规范进行FMCW波形设计 运动目标生成 信号传播 接收信号处理 距离多普勒FFT实现 CFAR检测 实施注意事项 该实现非常简单，以下是一些详细信息/说明： 1.雷达规格 规格已预先提供，并在下面列出： %% Radar Specifications %%%%%%%%%%%%%%%%%%%%%%%%%%% % Frequency of operation = 77GHz % Max Range = 200m % Range Resolution = 1 m % Max Velocity = 100 m/s 2.目标指标 对于目标参数，我使用以下值： %% User Defined Range and Velocity of target initial-position = 100 m initial-velocity = 25 m/s 3. FMCW波形生成 为此，标准的带宽和线性调频公式被用于。 下图

雷达波形设计matlab代码SFND雷达目标的生成和检测 项目布局 这是Udacity提供并包含在其传感器融合课程中的雷达课程的最终项目。 该项目使用Matlab进行编码。 根据系统要求配置FMCW波形。 定义目标的范围和速度并模拟其位移。 对于相同的仿真循环过程，发送和接收信号将确定拍频信号 对接收到的信号执行范围FFT以确定范围 最后，对第二个FFT的输出执行CFAR处理以显示目标。 雷达系统要求 系统需求定义了雷达的设计。 针对不同驾驶场景的传感器融合设计需要来自Radar的不同系统配置。 在此项目中，您将根据给定的系统要求（上面）设计雷达。 在进行波形设计时，将考虑“最大范围”和“范围分辨率”。 您将提供目标的初始范围和速度。 范围不能超过200m的最大值，速度可以是-70到+ 70 m / s的任何值。 任务1：FMCW波形设计 使用给定的系统要求，设计FMCW波形。 找到其带宽（B），线性调频时间（Tchirp）和线性调频斜率。 Rmax = 200; Range_resolution = 1; Vmax = 70; c = 3e8; %Speed of light in

路线规划项目 此存储库包含“路线计划”项目的入门代码。 克隆 克隆此项目时，请确保使用--recurse-submodules标志。 使用HTTPS： git clone https://github.com/udacity/CppND-Route-Planning-Project.git --recurse-submodules 或使用SSH： git clone git@github.com:udacity/CppND-Route-Planning-Project.git --recurse-submodules 本地运行的依赖项 cmake> = 3.11.3 所有操作系统： make> = 4.1（Linux，Mac），3.81（Windows） Linux：大多数Linux发行版默认都安装了make Mac： Windows： gcc / g ++> = 7.4.0

路线规划项目 此存储库包含“路线计划”项目的入门代码。 克隆 克隆此项目时，请确保使用--recurse-submodules标志。使用HTTPS： git clone https://github.com/udacity/CppND-Route-Planning-Project.git --recurse-submodules 或使用SSH： git clone git@github.com:udacity/CppND-Route-Planning-Project.git --recurse-submodules 本地运行的依赖项 cmake> = 3.11.3所有操作系统： make> = 4.1（Linux，Mac），3.81（Windows） Linux：大多数Linux发行版默认都安装了make Mac： Windows： gcc / g ++> = 7.4.0 Li

Udacity-Self-Driving-Car-Engineer:Udacity课程

爱德华多·里贝罗·德·坎波斯-2021年3月 项目：激光雷达障碍物检测。 传感器融合纳米学位计划。 在整个Lidar课程中，我们从 （传感器融合与本地化总监）那里学习了有关Lidar的观点，软件方法由 （高级AV软件工程师）教授。 来自 （梅赛德斯-奔驰研究与开发北美公司）的两位专业人员。 研究了开发可处理Lidar数据的管道的最佳实践。有关更多详细信息，请和。 该项目的目标可在网页上找到。 1.细分（RANSAC）。 2聚类（KD树和欧几里得聚类） 3.边界框。 4，下采样数据（体素网格-感兴趣区域）。 1.细分。 我们希望能够找到场景中的障碍物。 但是，我们场景中的某些对象并不是障碍物。 什么会出现在pcd中但不是障碍物？ 在大多数情况下，道路上的任何自由空间都不是障碍，并且如果道路平坦，则从非道路点中选择道路点是相当容易的。 为此，我们将使用一种称为“平面分割”的方法，该方