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

深度学习模型在移动端部署

在本研究中，我们提出了一种基于自我关注的区域流感预测模型，称为SAIFlu-Net。该模型利用一个较长的短期记忆网络来提取每个区域的时间序列模式，并利用自我注意机制来发现发生模式之间的相似性。为了评估其性能，我们使用每周区域流感数据集对现有的预测模型进行了广泛的实验。结果表明，该模型在均方根误差和皮尔逊相关系数方面均优于其他模型。

ML_Deployment 使用Flask部署机器学习模型