xgboost模型训练、评估与模型的保存、加载及使用 python 经过调试的代码，可运行，数据集存于https://download.csdn.net/download/zzpl139/86838136

电力需求预测：机器学习模型预测Sunyani和Nationwide的未来电力需求

深度学习是当前机器学习和人工智能兴起的核心。随着深度学习在自动驾驶、门禁安检、人脸支付等严苛的安全领域中广泛应用，深度学习模型的安全问题逐渐成为新的研究热点。深度模型的攻击根据攻击阶段可分为中毒攻击和对抗攻击，其区别在于前者的攻击发生在训练阶段，后者的攻击发生在测试阶段。

概述： 要了解该项目的工作方式，请参阅： : bundle已通过命令node_modules/.bin/webpack --config webpack.local.config.js生成，并且所有生成的文件都位于./djreact/static/bundles/local中 协同合作 金燕（jyan16），张彤（tzhang48），黄则璇（zhuang31），张志伟（zzhang83） 网站部署 ec2-54-196-181-229.compute-1.amazonaws.com 如何运行React： 我们的项目需要python3，pip3和npm。 cd到项目根目录 运行node_modules/.bin/webpack --config webpack.local.config.js生成React包文件。 现在，它们应该存储在backendApp / static / b

AI可解释性360（v0.2.1） AI Explainability 360工具箱是一个开放源代码库，支持数据集和机器学习模型的可解释性和可解释性。 AI Explainability 360 Python软件包包括一套全面的算法，这些算法涵盖了解释的不同维度以及代理的可解释性指标。 通过逐步介绍不同消费者角色的示例用例，对概念和功能进行了简要介绍。 提供了更深入的，面向数据科学家的介绍。 完整的API也可用。 没有一种最能解释问题的方法。 有很多解释方法：数据与模型，直接可解释与事后解释，本地与全局解释等，因此弄清楚哪种算法最适合给定用例可能会造成混淆。 为了帮助您，我们创建了一些和

模型包含xgboost，lightgbm等模型， 最后结果进行了stacking模型融合，预测模型 包含数据集、代码，以及运行结果 可以学到数据接入、特征工程、模型训练，模型预测，模型融合以及结果输出，代码基于python，储存于jupyter notebook

信用卡欺诈识别 在此项目中，我们使用一些欧洲信用卡公司提供的数据。 该数据集表示在两天内发生的财务操作，在将近29万笔交易中，分类了492起欺诈行为。 为了进行预测，使用了两个机器学习模型（逻辑回归和决策树），以基于召回指标评估哪个具有最佳性能。 请联系我们，如果您有任何疑问。 我总是有空。 Linkedin： : 电子邮件： 我希望你喜欢！ 再见！

文献阅读（35）的原文，文章主要是机器学习和深度学习在糖网方面的应用。 文章核心：使用深度学习方法对眼底照中的糖网病灶进行自动检测和分类糖网。其中公设计三个方面：预处理，分割，分类

_机器学习模型安全与隐私研究综述_机器学习模型安全与隐私研究综述

_联邦学习模型在涉密数据处理中的应用_联邦学习模型在涉密数据处理中的应用