心脏病诊断是一项复杂的任务，需要大量的经验和知识。 预测心脏病的传统方法是医生检查或进行许多医疗检查，例如ECG，压力测试和心脏MRI等。如今，医疗保健行业包含大量的医疗保健数据，其中包含隐藏的信息。 这些隐藏的信息对于做出有效的决策很有用。 基于计算机的信息以及先进的数据挖掘技术可用于获得适当的结果。 神经网络是广泛用于预测心脏病诊断的工具。 在这篇研究论文中，使用神经网络开发了心脏病预测系统（HDPS）。 HDPS系统可预测患者患上心脏病的可能性。 为了进行预测，该系统使用了性别，血压，胆固醇等13种医学参数。 在这里，增加了两个参数，即肥胖和吸烟，以提高准确性。 从结果可以看出，神经网络以近100％的准确度预测心脏病。

目录网盘文件永久链接 1.1 数据挖掘概述 1.1.1 数据挖掘典型的应用场景 1.1.2 数据挖掘概述 1.2 数据挖掘基本流程 1.2.1 数据挖掘模式分类 1.2.2 数据挖掘流程 1.3 数据挖掘开发 1.3.1 数据、属性和度量 1.3.2 数据挖掘开发工具 2.1 行列式及矩阵 2.1.1 行列式 2.1.2 矩阵及其变换 2.2 特征值及奇异值 2.2.1 特征值分解 2.2.2 奇异值分解 2.3 随机事件 2.3.1 随机事件及其概率 2.3.2 离散型随机变量及其分布 2.3.3 连续型随机变量及其分布 2.4 条件概率 2.4.1 随机向量及其分布 2.4.2 条件概率-贝叶斯公式 2.4.3 随机变量的数字特征 2.5 假设检验 2.5.1 大数定律与中心极限定理 2.5.2 样本与抽样分布 2.5.3 参数估计与假设检验 2.6 模型分析 2.6.1 方差分析和回归分析 2.6.2 信息熵与基尼系数 2.7.1 最优化问题 2.7.2 梯度下降法 2.7.3 约束最优化 3.1 Python概述 3.2 基本数据类型 3.2.1 Python基础.....

HCIE-Big_Data-Data_Mining_V2.0_培训教材.zip

文字挖掘 此代码可用于为文档分配关键字，并从文档数据库中查找单词之间的关联规则。 此外，只需稍加修改，就可以使用搜索关键字创建文档建议系统。 入门 克隆此存储库 执行textMining.py 系统将要求您提供支持和信心。 输入那些，您将获得关联规则作为输出。 就是这样。 做得好！ 先决条件 需要在计算机上安装python 3.6。 运行测试 编写代码的方式是，当您执行TextMining.py时，它将检查名为documentDatabase的文件夹并读取其中的所有.txt文件。 每个文本文件都充当一个单独的文档。 由于代码的输入应该是文档数据库，因此我们在documentDatabase文件夹中有多个文档。 读取所有文档，然后通过删除停用词来对其进行清洁。 使用词干进一步清除单词。 停用词列表可以在listOfStopWords.txt中找到 Example of stemmin

SAS下载及安装指南，可劲薅。。。SAS engages industry analysts for their recommendations on our software, messaging and other market and competitive information. Analyst firms offer advice and research, through their publications, events and consulting projects, to companies that are evaluating technology purchases.

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

TradingView图表数据提取器 影片教学 如何进行屏幕录制： ： 上面教程中的结果文件： : 发布图表之前，请确保缩放/平移，以便在TradingView上可以看到所需的最早日期。 指标太多或时间分辨率太低都会增加数据点，并可能使空闲服务器超载。 为避免这种情况，请在本地计算机上托管/运行脚本，或者使用较少的指示符多次抓取脚本，然后手动组合CSV。 用法 只需将在TradingView上发布的图表/想法的URL添加到下面的链接。 这不是证券图表的URL，而是用户发布的图表的URL： : url 即对于此图表： : 您将使用： : : 安装 pip3 ins

matminer是一个用于在材料科学领域进行数据挖掘的库。 网站（包括文档）： : 范例： ： 帮助/支持： ： 资料来源： : 如果您喜欢matminer，也可以尝试使用 。 如果您发现matminer有用，请在您的研究中引用以下论文来鼓励其发展： Ward, L., Dunn, A., Faghaninia, A., Zimmermann, N. E. R., Bajaj, S., Wang, Q., Montoya, J. H., Chen, J., Bystrom, K., Dylla, M., Chard, K., Asta, M., Persson, K., Snyder, G. J., Foster, I., Jain, A., Matminer: An open source toolkit for materials data mining. Comput.

用于健康预测模型的Python库（PyHealth） 部署，文档和统计 建筑状态，覆盖范围，可维护性和许可 发展状况：截至2021年1月4日，PyHealth处于积极发展阶段，处于alpha阶段。请关注，加注星标和获取最新功能！ PyHealth是针对医疗保健AI的全面Python软件包，专门为ML研究人员以及医疗保健和医学从业人员设计。 PyHealth接受各种医疗保健数据，例如纵向电子健康记录（EHR），连续信号（ECG，EEG）和临床记录（待添加），并支持使用深度学习和其他高级机器学习算法发布的各种预测建模方法，文学。 该图书馆由， 和的研究人员自豪地开发和维护。 PyHealth使许多重要的医疗保健任务变得可访问，例如表型预测，死亡率预测和ICU停留时间预测等。使用深度学习模型运行这些预测任务，在PyHealth中可以短到10行代码。 PyHealth包含三个主要模块：（i）

目录： 网盘文件永久连接 1.1 数据挖掘典型的应用场景 1.2 数据挖掘概述 1.3 数据、属性和度量 2.1 行列式 2.2 特征值分解 2.3 随机事件及其概率 2.4 随机向量及其分布 2.5 大数定律与中心极限定理 2.6 方差分析和回归分析 2.7 最优化问题 3.1 Python概述 3.2 Python基础-数据类型 3.3 文件操作 4.1 数据预处理概述 4.2 缺失值处理 4.3 特征编码 5.1 特征选择概述 5.2 过滤法 5.3 降维导入 5.4 奇异值分解 6.1 有监督学习概述 6.2 线性回归算法 6.3 贝叶斯算法 6.4 ID3-C4.5算法 6.5 集成算法2 7.1 无监督学习概述 7.2 K均值聚类 7.3 基于层次的聚类算法......