哈佛大学--PH526x-使用Python进行研究 edx上的在线课程包括作业解决方案及其各自的数据集。

商城-客户细分 在这个项目中，我对商城客户数据进行了探索性数据分析。 此外，我使用了K-均值聚类算法来创建客户细分（不同类型的客户群）。 数据 数据集中的功能 客户ID-这是分配给客户的唯一ID 性别-客户的性别 年龄-客户的年龄（以年为单位） 年收入（k $）-客户的年收入（k $） 支出得分-商场/购物中心根据客户的支出性质和行为分配给客户的得分

handwriting_cnn 使用CNN的笔迹识别

XGBoost模型 该项目使用XGBoost模型预测销售价格，然后将结果与其他算法（例如，Random Forest和Decision Tree）进行比较。 资料栏位 这是您将在数据描述文件中找到的内容的简短版本。 SalePrice-物业的销售价格（以美元为单位）。 这是您要预测的目标变量。 MSSubClass：建筑类MSZoning：总体分区分类LotFrontage：连接到属性Lot的街道的线性英尺LotArea：平方英尺的地块大小Street：道路通道的类型Alley：胡同通道的类型LotShape：属性的一般形状LandContour：平面度属性实用程序：可用的实用程序类型LotConfig：批次配置LandSlope：属性的坡度邻域：Ames城市范围内的物理位置条件1：接近主干道或铁路条件2：接近主干道或铁路（如果有第二秒）BldgType：类型房屋外观样式：房屋风格整体质

瑜伽主管 该程序可以监督用户正在执行的瑜伽，并通过使用tf_pose姿势估计和使用dynamic time wrapping来进行姿势比较来检查其是否正确完成。

Amazon SageMaker 自定义训练容器 此文件夹包含与 Amazon SageMaker 兼容的训练容器的骨架实现。 这些示例的目的是解释如何构建用于训练的自定义容器，相关重点是 Amazon SageMaker Training Toolkit，该工具包可促进 SageMaker 训练容器的开发，并支持从 Amazon S3 动态加载用户脚本，从而将执行环境（Docker 容器）与正在执行的脚本分开。 有关其他信息，请参阅： : 。 出于目的，在此上下文中没有应用特定的 ML 科学，并且代码正在模拟训练虚拟模型。 每个示例的结构如下： example └───docker # Dockerfile and dependencies └───notebook # Notebook with detailed walkthrough └───script

虚假新闻检测

预测信用评分 在这个数据科学项目中，我们将通过建立信用评分预测模型来预测借款人违约的机会。 使用的技巧 决策树分类器 随机森林分类器 逻辑回归 支持向量机 人工神经网络 在该项目使用的五种技术中，发现人工神经网络具有82％的最高精度。 数据集： Credit_Scoring.csv 多合一笔记本： Credit_Scoring.ipynb

贷款还款预测 数据来源： :

可视化大学中的性别差距 使用Matplotlib绘制数据。 1970年至2012年间17个不同学位领域的性别差距可视化 教育统计部每年发布一个数据集，其中包含从1970年到2012年授予女性的学士学位的百分比。该数据集分为17个学位类别，每列单独一个类别。 下面，我将使用Python模块Matplotlib和Pandas上可用的各种绘图美学技术绘制每列的折线图。