端到端ML房屋价格预测 一个端到端的机器学习项目，用于预测加利福尼亚的房价。 从头到尾构建机器学习项目的所有必需阶段。 它在机器学习项目中考虑以下“ HOWS”： 获取数据 可视化并从发现中获取意义 准备不同的机器学习算法 如何选择和训练模型 如何微调模型 如何保存模型 它在两者之间给出了一些说明，以在Jupyter笔记本中提供一些说明。 使用的数据集是housing.csv Jupter笔记本电脑是端到端的ML_外壳 致谢：Aurelien Geron

l-曲线矩阵代码磁性软物质模拟 该项目包含带有磁性粒子的软物质的模拟。 用Stoner-Wohlfarth模型模拟的硬磁颗粒。 磁性软粒子服从Froehlich-Kennelly定律。 该代码是为与Octave或Matlab软件一起使用而编写的。 斯托纳-沃尔法斯模型仿真 磁滞的斯托纳-沃尔法斯模型在SwParticle类中实现。 构造函数需要一个参数：外加场与易轴之间的角度（单轴各向异性） p = SwParticle( pi / 3 ); p.Draw( ' Folder for image representations ' ); 一阶反转曲线（FORC）模拟 FORC文件夹包含一阶反转曲线实验的仿真。 FORC实验的仿真包括四个步骤： FORC处理器初始化 物质的准备（磁滞回线的处理，以加快仿真速度） FORCs测量 一阶反转曲线图计算 可视化的FORC图 FORC图表分析由FORC处理器（例如，由PikeFORC类的对象）实现。 可以将FORC分析应用于实现iMatter接口的事物模拟对象。 例如，为了模拟单个粒子模型，请使用SingleParticleMatter类，该类的

学习管理系统 基于Python的项目，用于开发一个简单的学习管理系统，该系统允许两个用户以Admins和Student的形式出现。 学生可以查看该学期的课程，成绩和当前的GPA。 管理员用户可以添加或删除可用课程，并修改学生注册和课程成绩。 该项目将Python Tkinter用于GUI，将SQLite用于数据库实现。 默认管理员ID：admin默认管理员密码：1234 默认学生ID：s1234默认学生密码：password 登录屏幕：

数控 cnc是一个开放源代码的有趣项目，用于控制三轴cnc机器。

老CEF4Delphi OldCEF4Delphi是一个开放源代码项目，用于将基于Chromium的浏览器嵌入使用Delphi开发的应用程序中。 OldCEF4Delphi基于Henri Gourvest制造的DCEF3。 DCEF3的原始许可证仍适用于OldCEF4Delphi。 阅读任何* .pas文件第一行中的许可条款。 OldCEF4Delphi使用CEF 3.2623.1401.gb90a3be，其中包括Chromium 49.0.2623.110，这意味着它支持Windows XP和Vista 。 OldCEF4Delphi使用的CEF3二进制文件位于“ CEF3_binaries”目录中。 OldCEF4Delphi是在Delphi 10.4和Delphi 7上开发和测试的。它包括VCL和FireMonkey（FMX）组件。 链接 有关OldCEF4Delphi的更多

Bolix 我的大学项目，用js，html，css建立网站 要求 节点js 背景 使用一个节点运行一个非常简单的js服务器以使用jquery发送请求来支持ajax请求，可以在src/frontend/js/extrenal/jquery.min.js ，从而能够在没有wan连接的情况下运行网站

您的数据科学技术是否实际上可以跨越数百座建筑物？ 它实际上更快或更准确吗？ 这些是研究人员在开发数据驱动方法时应该提出的问题。 建筑性能预测，分类和聚类算法已成为异常检测，控制优化和需求响应分析的重要组成部分。 但是，我们如何实际比较每种技术与以前创建的方法呢？ 时序数据挖掘社区早在2003年就发现了这个问题：“许多工作的效用很小，因为做出了贡献……”提供了一些改进，而这些改进本可以使差异完全相形见have。是通过在许多现实世界的数据集上进行测试而观察到的，或者通过更改次要（未声明的）实施细节而观察到的差异。” （ ） 。 该数据集使您能够对各种实际数据集进行新技术测试。 对于商业建筑数据，我们正在做同样的事情！ 非住宅建筑数据分析对基准数据集的需求 现有的大多数建筑性能数据科学研究都依赖于每个研究人员创建自己的方法，查找案例研究数据集并自行确定功效。 毫不奇怪，大多数研究人员发现了积极但有意义的结果。 使用来自数百个（或数千个）建筑物的大型，一致的基准数据集，研究人员可以确定其方法在异构数据集中的实际性能如何。 如果多个研究人员使用相同的数据集，则可以在准确性，速度和易用性

取消旧版 快速入门：使用DeOldify（免费！）的最简单方法是在此处： DeOldify图像着色的最高级版本仅在此处可用。 免费尝试一些图片！ 图片（艺术） | 视频 NEW使用默认的图像着色器（又称“艺术”）有麻烦吗？ 请尝试以下“稳定”的方法。 它通常不会产生像“艺术”一样有趣的颜色，但是毛刺明显减少了。 图像（稳定） 老爱尔兰在Colour的John Breslin的视频教程表格中提供了有关如何使用上述Colabs的说明。 这很棒！ 点击下面的视频图像观看。 在获取更多更新 。 目录 关于DeOldify 简而言之，该项目的任务是对旧图像和胶片进行着色和还原。 我们将详细介绍一些细节，但首先让我们看一些漂亮的图片和视频！ DeOldify中令人兴奋的新东西 毛刺和伪像几乎被完全消除 更好的皮肤（更少的僵​​尸） 更详细，更真实的渲染 更少的“蓝色偏见” 视频-实际

概述 这是 ， 和华盛顿大学之间合作的工作空间，旨在自动检测航空影像中的北极野生生物。 意象 现在可以在公开获取图像， 是一个开放的数据存储库，用于保存与保护生物学相关的图像。 标签 data目录包含以下标签/元数据文件： train.csv （5,110条记录）：热点检测数据，我们拥有所有对应的图像数据（请参阅下文）。 当前，所有这些热点均引用数据集ArcticSealsData01中的图像。 test.csv （1,314条记录）：与train.csv相同的格式和分布，适用于交叉验证。 CSV文件中的每个记录均指的是NOAA热探测系统所拾取的热点，人类将其分类为“动物”（真阳性）或“异常”（假阳性）。 每个热点都是唯一的（没有重复项）。 列架构如下： hotspot_id ：唯一ID timestamp ：GMT / UTC时间戳（始终对应于热图像时间戳） filt_the

MNIST_MLP 此仓库包含一个Python项目，用于对手写数字进行分类。 流行的MNIST数据集用于训练和测试MLP模型。 培训和测试数据是从两个单独的CSV文件导入的。 从训练数据中，将10％用于验证划分。