信用风险建模：使用Python和ML进行信用风险分析

克拉克·范·史丹顿（Clarke van Steenderen） 动物学与昆虫学系南非东开普省Makhanda（Grahamstown）的Rhodes University 2021年电子邮件： :pencil: 功能性 SPEDE-SAMPLER是用Python和R编写的GUI程序，用于使用GMCY方法评估采样对物种划界的影响。 该程序提供以下内容： 读取对齐的Fasta文件，并随机选择n次序列p次。 这些文件保存在输出文件夹中。 例如，可以上传十个COI序列的序列比对。 用户可能希望随机选择该数据集的50％而不进行替换，并将此过程重复15次。 因此，该程序会将15个Fasta文件写到一个文件夹中，其中每个文件包含五个序列的随机选择。 循环遍历输出文件夹，以为每个重新采样的Fasta文件产生最大似然（ML）系统发育。 有两种ML程序可用：FastTree和RAxML。 循环遍历每个ML系统

Coursera吴恩达机器学习课程整理

matlab中存档算法代码学术档案 选定的已存档MATLAB算法和处理示例 潜在的操作PDF-附录中包含生成的结果和MATLAB代码（2021） P1，P2-技术报告（撰写示例）（2020年） 可交付成果6-后处理硬件HR数据（2020） 角度算法-利用ImageJ和EMG传感器的数据进行Gata分析（2019）

all data for the match train.csv test.csv sample_submission.csv

ML-EM算法  EM算法（Expectation Maximization Algorithm，期望极大算法）是一种解决优化问题的迭代算法，用于求解含有隐变量的概率模型参数的极大似然估计（MLE）或极大后验概率估计（MAP）。EM算法是一种比较通用的参数估计算法，被广泛用于支持向量机（SMO算法）、朴素贝叶斯、GMM（高斯混合模型）、K-means（K均值聚类）和HMM（隐马尔可夫模型）的参数估计。 理解EM算法（例子）   在统计学中，概率用于在已知一些参数的情况下，预测接下来的所得到的结果；而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。   EM算法和极大似然估计的前提是一样的，都要假设数据总体的分布，如果不知道数据分布，是无法使用EM算法的。 三硬币模型   假设有3枚硬币A，B，C，这些硬币正面出现的概率分别是π \piπ，p pp和q qq。进行如下掷硬币试验：先掷硬币A，根据其结果选出硬币B或硬币C，正面选硬币B，反面选硬币C；然后掷选出的硬币，掷硬币的结果，正面记作1，反面记作0；独立重复n此试验，观测结果： 1 , 1 , 0 ,

使用机器学习进行疾病诊断 医疗保健领域的机器学习模型。 乳腺癌检测-使用KNN和SVM 糖尿病发作检测-使用神经网络和网格搜索 角膜动脉疾病（心脏病）诊断-使用神经网络 自闭症谱系障碍（神经发育障碍）诊断-使用简单的神经网络 数据集从UCI机器学习存储库获得。

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第一周所有jupyter notebook文件(包括实验室练习文件)

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第二周所有jupyter notebook文件(包括实验室练习文件)

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第三周所有jupyter notebook文件(包括实验室练习文件)