CoronaHack--胸部X射线 该项目基于深度学习中的人工神经网络。 该项目的目的是预测该人是否受到冠状病毒的感染。 该预测是基于对人体的胸部X射线分析而得出的。 数据集： ://www.kaggle.com/praveengovi/coronahack-chest-xraydataset电晕-COVID19病毒影响健康个体的呼吸系统和胸部X射线是识别电晕病毒的重要成像方法之一。 使用Chest X-Ray数据集，开发一个机器学习模型以对健康与肺炎（Corona）受影响的患者的X射线进行分类，并且该模型为AI应用程序提供了动力，使其可以更快地测试Corona病毒。 健康与肺炎（Corona）感染患者的X射线胸部胸部感染患者以及其他几类疾病，例如SARS（严重急性呼吸道综合症），链球菌和ARDS（急性呼吸窘迫综合症） 图像名称和标签可在ChestXrayCorona_Metad

RFM分析与建模 使用K-Means和聚集聚类基于RFM功能创建客户细分

stock-predict

整个项目源码： 引言 前面我们讲完交通标志的识别，现在我们开始尝试来实现交通信号灯的识别 接下来我们将按照自己的思路来实现并完善整个Project. 在这个项目中，我们使用HSV色彩空间来识别交通灯，可以改善及提高的地方： 可以采用Faster-RCNN或SSD来实现交通灯的识别 首先我们第一步是导入数据，并在RGB及HSV色彩空间可视化部分数据。这里的数据，我们采用的图片， 总共三类：红绿黄，1187张图片，其中，723张红色交通灯图片，429张绿色交通灯图片，35张黄色交通灯图片。 导入库 # import some libs import cv2 import os import glob import random import numpy as np import matplotlib.pyplot as plt import matplotlib.image as mpimg

钞票认证 这是一个Web应用程序，用于预测空白通知是真实的还是伪造的。 使用的数据集 来自UCI机器学习存储库的钞票身份验证数据集 使用的技术 Python 烧瓶 随机森林分类器 泡菜 屏幕截图

环球超市 从Kaggle提取数据集，以分析有关世界各地客户所下订单的信息。

学生分数预测：根据学生学习的时间对学生分数进行预测。 通过在Python中使用Scikitlearn库应用线性回归，以及使用Pandas和Matplotlib等库进行数据准备和数据可视化

使用FCN进行图像分割 使用Keras框架和Python3，我实现了一个包括其编码器和解码器的全卷积网络“ FCN”，以对室内场景图像（如卧室，客厅和饭厅）进行分割，以最终令人满意的精度，损失和平均交集超过了MIoU ”。 结果

晶圆图模式分类 1.数据说明 WM-811K数据集 在实际制造中从46393个批次中收集了811457个晶圆图 172950个晶圆被领域专家标记。 9种缺陷模式类别（中心，甜甜圈，边缘环，边缘局部，局部，随机，近满，划痕） 删除了四个裸片少于100个的异常晶圆图（无图案类） 2.手动特征提取方法 1]特征提取 1）密度特征 晶圆图分为13个区域（4个边缘区域，9个中心区域） 每个区域的缺陷密度用作密度特征 13个提取的特征 2）几何特征 通过噪声过滤提取显着区域 基于最大面积的显着区域，提取六个几何特征周长，面积，短轴长度，长轴长度，坚固性和偏心率 6个提取的特征 3）features功能 通过radon变换创建根据一系列投影创建晶圆图的二维表示 应用三次插值以获得相同数量的行。 根据radon转换的结果和提取的行平均值得出20行 行标准差 每行 40个提取的特征 总共59个

情感分析 它是一种文本分类，可在IMDB大电影评论数据集上训练递归神经网络（RNN）以进行情感分析。