JKI SMO： 1、习惯了使用JKI State Machine； 2、JKI State Machine 是单进程的，无法处理多任务并发系统； 3、对OOP知之甚少，绕过OOP设计的复杂性。

Dynamic Access Control Policy based on Blockchain and Machine Learning for the Internet of Things，区块链与机器学习的一个结合点与物联网的权限安全有关

咖啡机 这是一个用于咖啡机的程序。

咖啡机 没有装饰器模式的简单咖啡机编码

工具变量 (IV) 是一种常用的从观测数据进行因果推断的技术。 在实践中，IV 引起的变化可能是有限的，这会导致对因果效应的估计不准确或有偏差，并使该方法对政策决策无效。 我们通过将从候选外生数据构建工具变量的问题制定为机器学习问题来应对这一挑战。 我们提出了一种称为 MLIV（机器学习工具变量）的新算法，它允许从样本数据中同时执行工具学习和因果推断。 我们提供了正式的渐近理论，并展示了我们的估计量在非常一般的条件下的根 n 一致性和渐近效率。 对现实世界数据的模拟和应用表明，该算法非常有效，显着提高了从观测数据进行因果推断的性能。

面部吸引力预测 这是使用地标特征和gabor过滤器预测面部吸引力的存储库。 从以下获得的功能： 面部距离 面部比例 伽柏滤波器 如何运行： 首先必须通过运行generate_features.py生成所有功能 然后，您可以通过运行train.py来训练自己的模型 您可以通过运行demo.py对单个图像进行测试（在开头给出路径） 所需的库：Dlib，OpenCV，numpy，scipy，sklearn，imutils 验证结果： 演示： 请参阅下载整个数据集。

mlr3book：mlr3手册

Python中的轨迹分析和分类（Pandas和Scikit Learn） 一项针对数据挖掘研究生课程的大学项目。 给我们一个trainset，其中地理点与时间间隔成对。 首先，我们清理数据集，然后形成轨迹（具有相应的路线ID）。 本部分的最后一步是根据_their的total_distance和最大距离（它们的两个点之间）过滤掉一些轨迹。 该项目的目标首先是计算test_set_a1 / a2.csv和train_set.csv的轨迹之间的轨迹相似度。 用于该算法的算法是： 快速动态时间规整（Fast-DTW） ，取自 我实现的最长公共子序列算法。 每次考虑的距离是点的Haver

LogisticRegression_LeadScoring 问题陈述： 一家名为X Education的教育公司向行业专业人士出售在线课程。 在任何一天，许多对课程感兴趣的专业人士都会在他们的网站上登陆并浏览课程。 现在，尽管X Education获得了很多潜在客户，但其潜在客户转换率却非常低。 例如，如果说他们一天之内获得100个销售线索，那么其中只有大约30个被转换。 为了使此过程更有效率，该公司希望确定最有潜力的潜在客户，也称为“热门潜在客户”。 如果他们成功地识别出这组潜在客户，则潜在客户转换率应该会上升，因为销售团队现在将更多地专注于与潜在潜在客户进行沟通，而不是打电话给每个人。 X Education已任命您帮助他们选择最有希望的潜在客户，即最有可能转化为付费客户的潜在客户。 公司要求您建立一个模型，在该模型中，您需要为每个潜在客户分配潜在客户得分，以使潜在客户得分较

Tom M. Mitchell的《Machine Learning》中文版