Land of Lisp、Machine Learning in Action

机器学习回归项目 使用的著名UCI数据集来预测葡萄酒质量。

UFC预测 用法 前往 选择回合的重量等级 选择比赛预定的5分钟回合数 选择战斗是否为冠军争夺 选择战斗机名称 点击预测 细节 使用了Beautiful Soup，收集了从1993年到现在的事件和战斗统计数据。 清洗，预处理和功能化的数据在每一行上都是战斗机及其各自战斗/战斗状态的历史表示。 数据集已上传，现在可以在Kaggle上找到： ://www.kaggle.com/rajeevw/ufcdata 过度采样的少数类，使用RandomForestClassifier和XGBoostClassifier创建并测试了预测模型 使用破折号创建了一个Web应用程序，并将其与docker部署在heroku上。 结果 准确性（有效）：0.7218 AUC分数（有效）：0.7763 0对应于蓝色：蓝色角中的Fighter 1对应于红色：红色角落中的战斗机 通常，失败者在蓝色角落，而

使用深度学习进行生存分析 该存储库包含基于贝叶斯深度学习的文章，论文和用于生存分析的存储库。 文件 Rajesh Ranganath，Adler Perotte，David Blei等人进行的深度生存分析。 JMLR 2016 资料来源： : 生存筛选器：Rajesh Ranganath，Adler Perotte，David Blei等人的“潜在时间序列的联合生存分析”。 2015年，阿拉伯联合酋长国资料来源： : DeepSurv：使用Cox比例危害深层神经网络的个性化治疗推荐系统，作者：Jared Katzman，Uri Shaham，Jonathan Bates，Alexander Cloninger，Tingting Jiang，Yuval Kluger。 ACML 2016 资料来源： : 具有竞争风险的生存分析的深层多任务高斯过程，作者：Ahmed M. Alaa

生存分析中机器学习方法的仿真研究 在Weibull分布下或具有复杂基线风险（转折点）的情况下模拟生存时间，其中协变量对风险的线性或线性和非线性影响以及审查水平的变化。 将模拟数据集分为训练和测试数据集。 适合随机森林； 支持向量机将带有弹性网罚的Cox模型和受罚样条曲线（弹性参数）模型应用于训练数据集。 记录各种方法所需的时间。 使用训练数据集中的拟合模型预测测试数据集中的风险评分。 计算一致性指数，将测试数据集中的预测风险分数与观察到的审查状态和生存时间进行比较。

jevois：JeVois智能机器视觉框架

卫星图像深度学习：通过卫星和航空影像进行深度学习的资源

Raster Vision是一个开放源代码Python框架，用于在卫星，航空和其他大型影像集（包括倾斜的无人机影像）上构建计算机视觉模型。 它允许用户（不需要成为深度学习专家！）可以快速重复地配置执行机器学习管道的实验，包括：分析训练数据，创建训练芯片，训练模型，创建预测，评估模型和捆绑模型文件和配置，以便于部署。 内置支持使用PyTorch进行芯片分类，对象检测和后端语义分割。 可以在内置支持使用在云中运行的CPU和GPU上执行实验。 该框架可扩展到新的数据源，任务（例如实例分段），后端（例如Detectron2）和云提供商。 有关更多详细信息，请参见。 建立 可以通过多种方法来设置Raster Vision： 要从头开始构建Docker映像，请克隆此仓库后，运行docker/build ，然后使用docker/run容器。 Docker映像已发布到 raster-vision图像的标签确定它是哪种图像： pytorch-*标签用于运行PyTorch容器。 每次合并到master ，我们都会发布一个新标签，并使用提交哈希的前7个字符进行标签。 要使用最新版本，请拉l

使用Deeplearning4j在Scala中检测垃圾邮件。

Machine Learning Design Patterns