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

///// 快书 这些笔记本介绍了深度学习， 和 。 fastai是用于深度学习的分层API； 有关更多信息，请参见。 此回购协议中的所有内容均受版权保护，由Jeremy Howard和Sylvain Gugger于2020年开始。 这些笔记本用于 ，构成了 的基础，目前可以购买。 它没有与该草案相同的GPL限制。 GPL v3许可证涵盖了笔记本和python .py文件中的代码； 有关详细信息，请参见LICENSE文件。 其余部分（包括笔记本和其他散文中的所有降价单元）均未经许可可用于任何重新分发或更改格式或媒介的行为，除了复制笔记本或为您自己的私人使用而分叉此存储库外。 禁止用于商业

机器_学习_代码_实现 基于NumPy的机器学习算法的Python代码实现。

上下文编码器：[CVPR 2016]使用GAN通过图像修复进行无监督特征学习

搜索方法合集，优化算法大全，大师之作，本书提供了大量的完整的先进的优化搜索算法，希望能给读者带来帮助和启示

凯拉斯·夏普 注意：该项目即将被归档。 为了更好的替换，请查看或 。 欢呼快乐，编码愉快！ 塞萨尔 正在进行的一项工作是将大多数Keras深度学习库移植到C＃。 欢迎来到Keras＃项目！ 我们的目标是在C＃中引入与体验兼容的类似Keras的API，这意味着，如果您已经了解Keras，则无需学习任何新概念即可使用Keras＃进行安装和运行。 这是Keras项目的直接逐行端口，这意味着当前发送到Keras主项目的所有更新和修补程序都应简单明了地应用于该分支。 与最初的项目一样，我们旨在同时支持TensorFlow和CNTK-但不支持Theano，因为该于2017年。 例 考虑下面，如下所示

这是个深度学习四大名著之一的《Python Machine Learning》第二版压缩包，，里面包含高清英文版PDF（包含书签，源码可复制），，和本书配套的源码及源码在github上的链接，，愿与诸君共勉，，加油加油！！！

机器学习葡萄酒质量预测 ================ 目的 找到一个合适的分类器来预测葡萄酒类型和葡萄酒质量。 给定数据 数据来自葡萄牙的“Vinho Verde”葡萄酒，它具有 11 种不同的化学特性。 葡萄酒类型包括白葡萄酒和红葡萄酒，葡萄酒质量由葡萄酒专家划分为 1（好）和 7（差）。 给定的数据集分为 5000 个训练样本和 1000 个测试样本，并存储在两个 .csv 文件中。 它们每个都有 13 列，包括 11 个化学测量值和两列描述葡萄酒类型和质量的列。 葡萄酒类型预测