前言机器学习浪潮2006年，Geoffrey Hinton等人发表了一篇论文[1]，展示了如何训练能够高精度（>98％）识别手写数字的深度神经网络。他们将这种技

sklearn-cookbook-zh：[翻译] Scikit-learn秘籍

Big5-性格React烧瓶 这是一个项目，我们可以在该项目上构建一个React应用并调用端点进行预测。 使用的模型是随机森林回归器和随机森林分类器。 使用myPersonality项目（ ）的数据集对模型进行训练。 模型使用回归模型生成预测的人格得分，并使用分类模型针对每个人格特征生成二元类别的概率。 技术领域 后端烧瓶 前端React 修改后的准备 Create-react-app创建一个基本的React应用程序。 接下来，加载了引导程序，该引导程序使我们可以为每个屏幕尺寸创建响应式网站。 在App.js文件中，添加了带有textarea和Predict按钮的表单。 将每个表单属性添加到状态，并在按下Predict按钮时，将数据发送到Flask后端。 将样式添加到页面的App.css文件。 Flask应用程序具有POST终结点/预测。 它接受输入值作为json，将其转换为数组，并使

BB-SVM模型用于论文数据集的自动人格检测（大五人格标记特征） 该存储库包含基于BERT模型的Bagging SVM，用于对Essays数据集进行分类。 安装 有关可以通过以下方式安装的相关软件包的列表，请参阅requirements.txt。 pip -r requirements.txt 本文使用指定的版本。 请注意，需求模块的更新版本可能会更改结果。 一些实验证明，更新的sklearn可以提高准确性。 但是，还请检查按需要求（例如，要求1.10 3.8

Git学习笔记,网址：https://learngitbranching.js.org/?locale=zh_CN

该资源包涵这本书的英文版，中文版和课本中的代码。本资源都是高清版本

BI-LSTM-CRF用于方面提取-情感提取 数据->通过BDCI 2017基于主题的文本情感分析的训练数据修改的数据集： ://www.datafountain.cn/#/competitions/268/intro，最后访问时间2018/5/13 train.csv->培训文件大小：13652 dev.csv->开发文件大小：2000 test.csv->测试文件大小：2000 pre_data.py->生成用于随机嵌入和label2tag的字典 model.py-> BI-LSTM-CRF / BI-LSTM / LSTM-CRF / LSTM-CRF的实现 main.py->主文件 conlleval_rev.pl-> SINHAN NER任务的评估手稿 conlleval.py->此任务的评估指标，可用于序列标记任务

scikit-learn cookbook （中文版）, 文档中的代码可以直接复制运行。

salome 是由法国CEA,EDF开发的基于CAD的前后处理平台，其中集成了许多常用的CAE开源软件，主要模块如下 主要模块 功能 集成工具 Geometry 建立或导入CAD模型 OpenCASCADE Mesh 网格剖分 Tetgen, Gmsh .. ParaVis 后处理 ParaView Med 数据交换 ... salome app salome是一个使用C和python等语言编写的平台，可以基于该平台编写自己的app。 first app 参考 pyhello 模块，编写自己的 app。复制$SALOME_ROOT/SOURCES/PYHELLO到一个工作文件夹中，将所有的PYHELLO改为first_app，然后根据以下过程进行编译以及集成。 编译 salome使用cmake进行编译，编译自己的app时，需要预先加载salome环境以及指定环境变量 CONFIGURATI

【机器学习】安装python的机器学习库scikit-learn、tensorflow-附件资源