BERT中文预训练模型chinese_L-12_H-768_A-12

电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负 荷、经济状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷 做出预测。负荷预测是电力系统规划与调度的一项重要内容。短期（两周以内） 预测是电网内部机组启停、调度和运营计划制定的基础；中期（未来数月）预测 可为保障企业生产和社会生活用电，合理安排电网的运营与检修决策提供支持； 长期（未来数年）预测可为电网改造、扩建等计划的制定提供参考，以提高电力 系统的经济效益和社会效益。 复杂多变的气象条件和社会事件等不确定因素都会对电力系统负荷造成一 定的影响，使得传统负荷预测模型的应用存在一定的局限性。同时，随着电力系 统负荷结构的多元化，也使得模型应用的效果有所降低，因此电力系统负荷预测 问题亟待进一步研究。

统计图 条形图 柱状图 折线图 数量统计 matplotlib sklearn jupyter notebook 人工智能实验 数据集

# 购房贷款违约预测 ### 数据集说明 训练集 train.csv ```python # train_data can be read as a DataFrame # for example import pandas as pd df = pd.read_csv('train.csv') print(df.iloc[0]) # list of 51 features and one label ``` 测试集 test.csv ```python # test_data can be read as a DataFrame # for example import pandas as pd df = pd.read_csv('test.csv') print(df.iloc[0]) # list of 51 features ``` 测试集标签文件 test_label.txt，格式如下 ```txt 1 0 1 1 ... ... ``` 其中训练集12万条，测试集3万条。 包括准确率计算 sklearn jupyter

详情参考:https://blog.csdn.net/wouderw/article/details/128505284 使用Python编程，使用股评文字和上证指数的数据，通过机器学习模型，经过情感分析、指标构建这两个流程之后，得到看涨情绪与股市走势的关系。 演示如何从互联网中提取投资者情绪，并研究情绪与股市的关系。

Packt.Python.Machine.Learning.Cookbook.2nd.Edition.2019

基于python机器学习实现的人脸识别大作业源码+课程报告+项目说明.zip 【资源说明】 1. photo_lib_sec_rec 调用simple_CNN.81-0.96.hdf5进行对照片的性别识别 2. photo_sex_rec 参考网上教程，运用机器学习识别照片中人物的性别 3. photo_test 对照片中人脸和眼睛的识别 4. video_face_rec 视频中人脸的识别 5. video_lib_sex_rec 调用simple_CNN.81-0.96.hdf5进行对视频的性别识别 6. video_sex_rec 视频中人物性别识别 7. project.md 工程代码说明文档 8. 运用BP神经网络实现性别检测（工作报告） 工作流程的大体报告

Python机器学习实训营视频教程下载

PYTHON机器学习——KNN（k近邻算法） 代码实现 首先，导入需要用到的包 import numpy as np import matplotlib.pyplot as plt 初始化模拟数据集和对应的分类 data_x=[[1.15,2.34], [1.55,2.47], [3.78,4.98], [3.34,4.56], [2.22,2.34]] data_y=[1,1,0,0,1] X_train=np.array(data_x) Y_train=np.array(data_y) 画图看一下两类数据在图上的分布情况

本资源使用KNN算法对水果特征数据（包括大小、颜色、甜度等等）进行分析，最终实现对水果进行分类的能力。资源包括KNN算法分析源码及水果特征数据（.txt格式），对初学者学习KNN算法具有很强参考和借鉴作用。 KNN（K- Nearest Neighbor）法即K最邻近法，最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路非常简单直观：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别 [2] 。 该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最邻近点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。另外还有一种 Reverse KNN法，它能降低KNN算法的计算复杂度，提高分类的效率。