pyLDAvis_Optimized_TopicModeling 使用Sk-learn建立LDA模型并使用pyLDAvis绘制主题间距离图 作者：丹麦Anis和Barsha Saha博士 联络方式： 该项目的目的是优化主题模型，以使用网格搜索方法实现最佳拟合。 主题建模是一种有效的无监督机器学习工具，可帮助分析文本数据集中的潜在主题。 但是，也有必要学习优化模型以获得最佳拟合模型，以实现更好的可解释主题，从而获得有意义的见解。 此外，作者还创建了主题的交互式可视化对象，以便对主题模型进行更直观的评估。 数据集信息 到自定义数据集。 结果 初始词云 从pyLDAvis创建的可视化 主题与代表词

3D-GAN-火炬 Pytorch实现。 数据集 wget http://3dshapenets.cs.princeton.edu/3DShapeNetsCode.zip unzip 3DShapeNetsCode.zip mv 3DShapeNetsCode ModelNet

MovieLens推荐模型。 MovieLens是一个2,000万收视率的数据集，涉及138 000多名用户的27 000部电影，更多信息请。 最先进的模型使用： RMSE为0.80的 RMSE为0.81的自动。 从出发，我们使用针对分类变量的实体嵌入来构建深度学习模型，该模型可实现与最新模型相当的RMSE为0.81 。 神经网络是在具有TensorFlow后端的Keras中实现的。 该代码在“ movienet.py”文件中，而培训在培训笔记本中。 实体嵌入的一大优点是，在训练过程中，我们可以计算电影和用户的嵌入空间。 因此，我们有不同的方法将电影推荐给用户： 我们评估网络并推荐收视率最高的电影。 但是，RMSE为0.81时，每个预测的平均误差为0.8星。 对于电影，我们查看嵌入空间中最近的邻居。 在这种情况下，我们使用带有的KNN索引。 有了足够的尺寸，我们希望这些嵌入能

高级车道查找器 一种更强大的车道检测算法，准备应对更现实的场景，例如照明条件，阴影的重大变化，并计算车辆位置以及道路曲率。 这种方法使用多项式拟合以更平滑的方式检测弯曲车道。 提供了以及。 提供了该算法的详细说明。

收益电话自然语言处理分析 目标： 使用自然语言处理来分析收入记录和随后的季度增长，以预测与各个指数相比的表现。 收益电话 收益电话会议是上市公司管理层，分析师，投资者和媒体之间的电话会议，讨论给定报告期内（例如一个季度或一个会计年度）公司的财务业绩。 通常在收入电话会议之前要有收入报告。 其中包含有关该期间财务绩效的摘要信息。 在项目中分析的公司 纳斯达克的中低市值技术公司。 $ 300 M-> $ 10B [“ ACIW”，“ CEVA”，“ CMTL”，“ COMM”，“ CPSI”，“ CRUS”，“ CSGS”，“ CSOD”，“ CVLT”，“ DCT”，“ DGII”，“ DIOD”，“ DMRC”，“ DSGX”，“ EBIX”，“ EPAY”，“ ERII”，“ EVBG”，“ EXTR”，“ FEYE”，“ FORM”，“ LSCC”，“ LTRPA”，“ MANH”

sample_spark3 如何使用findspark和pyspark使用spark3

对抗式自动编码器 通过实现。 要求 MXNet 麻木 matplotlib scikit学习 OpenCV 无监督对抗自动编码器 请运行aae_unsupervised.py进行模型训练。 在visualize.ipynb中将task设置为unsupervised以显示结果。 请注意，二维潜变量的所需先验分布可以是{高斯，高斯混合，瑞士卷或均一}中的一种。 在这种情况下，培训过程中不会使用任何标签信息。 一些结果： 将z_prior设置为高斯分布的p（z）和q（z）。 将z_prior设置为10高斯混合分布的p（z）和q（z）。 将z_prior设置为瑞士卷分布的p（z）和q（z）。 监督对抗自动编码器 请运行aae_supervised.py进行模型训练。 在visualize.ipynb中将任务设置为supervised ，以显示结果。 注意，二维潜变量的期望的先验分布可以

Tic-Tac-Toe-Endgame:决策树

人脸特征提取 这是一个CNN，可从kaggle数据集中获取96 * 96图像，并预测15个界标点： [left_eye_center_x] [left_eye_center_y] [right_eye_center_x] [right_eye_center_y] [left_eye_inner_corner_x] [left_eye_inner_corner_y] [left_eye_outer_corner_x] [left_eye_outer_corner_y] [right_eye_inner_corner_x] [right_eye_inner_corner_y] [right_eye_outer_corner_x] [right_eye_outer_corner_y] [left_eyebrow_inner_end_x] [left_eyebrow_i