解释一致性框架 该存储库包含在Explantion Consistency Framework（ECF）的开发中使用的整个代码库。 ECF是在我的整个硕士论文中进行研究和开发的，可以评估和比较LIME和SHAP等不同解释方法之间的解释质量。 此外，笔记本还包含对使用的数据集的描述性和视觉分析，以及包括XGB和LSTM在内的一系列预测模型的实现，以及两种解释方法LIME和SHAP的应用。

乳腺癌预测 知识库是一项学习练习，旨在： 将机器学习和深度学习的基本概念应用于可用数据集。 根据观察到的数据集评估和解释结果，并证明我的解释是正确的。创建用作计算记录的笔记本并记录我的思考过程。 分析分为四个部分，保存在此存储库的Juypter笔记本中。 识别问题和数据源探索性数据分析使用目标输出功能对数据构建模型进行预处理，以预测乳腺癌。 draft.ipynb Jupyter笔记本由2005-2017年的合并数据集组成，具有1048575个数据点，其输出特征的年龄。 BreastCancer.ipynb笔记本由2013-2017年的数据集组成，具有506466个数据点，其目标输出具有乳腺癌史。 BC2005_17bchistory.ipynb和BC2005_2017firstdegree_relative.ipynb Jupyter笔记本由2005-2017年的合并数据集组

NASA-Turbofan预测性维护 Github无法渲染笔记本中的某些图形，因为超出了框架数量 为了查看完整的笔记本，请复制此链接在此网站中，然后单击带有'的文件。 ipynb'扩展并等待其呈现（大约需要10秒） 创建了一个模型，该模型可用作估算发动机RUL（剩余使用寿命）的工具，其精度为98％ 该模型预测引擎的RUL并输出值1或0 “ 1”表示发动机接近维修时间，因此需要检查，“ 0”表示可以安全进行 通过Cycle设计的功能，并生成了新变量来标记引擎 可视化的高级图形和轨迹使用绘图 使用过的lightgbm和xgboost库进行有效的模型构建 使用RandomizedSearchCV优化分类模型，对参数进行超调以获得最合适的模型 本项目中使用的代码和资源的说明 ** Python版本：** 3.8 **软件包：**熊猫，numpy，seaborn，matplotlib，plot

本代码是官方代码的注释版本，有兴趣的可以下载阅读。除了注释和可视化代码外，其余部分都没有任何修改，截止2020.08.09 请配合或者进行阅读，体验更好 This repository represents Ultralytics open-source research into future object detection methods, and incorporates our lessons learned and best practices evolved over training thousands of models on custom client datasets with our previous YOLO repository . All code and models are under active development, and are subject

电影评论分类 使用python中的情感分析库将IMDb电影评论分为正面或负面 情绪分析 情感分析是指使用自然语言处理（NLP），文本分析和计算来系统地提取，识别信息并将其分类为特定类别。 该项目使用python sklearn库中的高斯朴素贝叶斯和多项式朴素贝叶斯模型 朴素贝叶斯分类器 朴素贝叶斯分类器是python scikit学习库下的一组监督ML算法。 他们使用特征矩阵（所有因变量的向量）来预测类变量（特征矩阵中每一行的输出）。 这些算法的前提是所有特征彼此独立并且具有同等重要性。 在高斯朴素贝叶斯分类器中，特征的分布遵循高斯/正态分布并形成钟形图。 在多项式朴素贝叶斯分类器中，特征向量表示通过多项式分布生成某些事件的频率。 该分类器非常适合文本分类中的字数统计 关于 该项目从tsv文件读取评论。 使用正则表达式对请求进行清理后，将MNB分类算法应用于数据集。部署的Web应用程序

亚马逊评论分析

:rocket: 入门 再也不会失去进度。 保存您在5分钟内用于比较和复制模型的所有内容-体系结构，超参数，权重，模型预测，GPU使用率，git commit甚至数据集。 W＆B是免费的供个人使用和学术项目，并且很容易上手。 或继续阅读代码片段及更多内容！ 如有任何疑问，请随时在我们的提问。 :handshake: 与任何框架轻松集成 安装wandb库并登录： pip install wandb wandb login 灵活集成任何Python脚本： import wandb # 1. Start a W&B run wandb . init ( project = 'gpt3' ) # 2. Save model inputs and hyperparameters config = wandb . config config . learning_rate = 0.01 # Model training

cupoy_costudy：Cupoy研究作业

BUET CSE 472机器学习最终项目 利用卷积神经网络识别和识别水稻病虫害 该项目现在已有3年以上的历史了，尽管我是撰写此项目的人，但我对代码的工作方式一无所知。 我什至不知道它是否有效。 我以为我已经丢失了这个项目，但是几分钟前在我的Google云端硬盘中找到了它。 所以现在我将其上传到Git Hub仅仅是因为我的烦恼无法把它们扔掉，保留了一切性质（也许让我的简历看起来更好吗？）。 这项工作已在一流的期刊上发表（ ）。 我确实设计了实验，编写了此代码库，并报告了结果，但是我对编写手稿或提交稿件一无所知。 有关详细信息，请询问Rafeed或Arko。

快速绘图草图分类器 使用Google的Quick Draw数据集训练卷积神经网络对新草图进行分类。 在演示模型。