1.2 项目目标 使用机器学习 和 情感词典 这两种方法 分别对中文新闻类文本进行情感极性分析 输入一段新闻文本能够得到文本的情感极性 1.3 目标人群 需要对已有中文文本数据进行情感分析的企业及用户 APP中需要集成中文文本情感分析功能的开发人员 从事中文文本情感分析与挖掘的研究人员

视觉问题回答项目，具有最先进的单一模型性能

斯坦福机器学习讲义，学习机器学习的最佳入门课程，视频连接http://open.163.com/special/opencourse/machinelearning.html

在TensorFlow中实现更清晰，更简单的同步 Advantage Actor Critic（A2C）

探索性数据分析/ 支持向量机/ word2vec/ 贝叶斯-拼写检查器.zip 贝叶斯-新闻分类.zip 贝叶斯Python文本分析.zip 降维算法.zip 聚类算法.zip 决策树.zip 科比数据集分析.zip 逻辑回归-信用卡欺诈检测.zip 神经网络.zip 数据预处理.zip 梯度下降求解逻辑回归.zip 推荐系统.zip 支持向量机.zip GMM聚类.zip Python时间序列.zip Xgboost调参.zip

注意力机制（英語：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。数据中哪些部分比其他部分更重要取决于上下文。可以通过梯度下降法对注意力机制进行训练。 类似于注意力机制的架构最早于1990年代提出，当时提出的名称包括乘法模块（multiplicative module）、sigma pi单元、超网络（hypernetwork）等。注意力机制的灵活性来自于它的“软权重”特性，即这种权重是可以在运行时改变的，而非像通常的权重一样必须在运行时保持固定。注意力机制的用途包括神经图灵机中的记忆功能、可微分神经计算机中的推理任务[2]、Transformer模型中的语言处理、Perceiver（感知器）模型中的多模态数据处理（声音、图像、视频和文本）。人类的注意力机制（Attention Mechanism）是从直觉中得到，它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的注意力机制借鉴了人类的注意力思维方式，被广泛的应用在自然语言

一下子爆发 一下子爆发的一连串 一巴掌 一再 一再叮嘱 一拳 一般杀人罪 一阵狂风 一阵紧张 一掌 一团糟 一掴 一点点 一蹶不振 人事不省 人为 人为的 入迷 入迷的 入迷的人 刀刃 刁难 力尽 匕首 下地狱 下垂 下垂度 下流

实现pysc2环境的强化学习算法

流行性感冒是一种传染性疾病，传播Swift而广泛。 流感的爆发给社会带来了巨大的损失。 本文设置了流感关键词的四个主要类别，即“预防阶段”，“症状阶段”，“治疗阶段”和“常用短语”。 使用Python网络爬虫从国家流感中心的流感监测每周报告和百度索引中获取相关的流感数据。 通过机器学习建立支持向量回归（SVR），最小绝对收缩和选择算子（LASSO），卷积神经网络（CNN）预测模型，并考虑了流感的季节性特征，还建立了时间序列模型（ARMA） ）。 结果表明，基于网络搜索数据预测流感是可行的。 机器学习在基于Web搜索数据的流感预测中显示出一定的预测效果。 今后它将在流感预测中具有一定的参考价值。 ARMA（3,0）模型可预测更好的结果并具有更大的概括性。 最后，给出了本文的研究不足和今后的研究方向。

Python机器学习基础教程中文Notebook 基本上就是《Python机器学习基础教程》的内容搬运为jupyter notebook ，便于记录和学习。 快速开始 在含有.ipynb 文件的目录下打开命令行 敲入jupyter notebook(前提是安装了，Anaconda发行版python自带ipynb) 打开浏览器：localhost:8888