Covid-Prediction

ufc-events-stats 演示幻灯片：探索MMA的模式和趋势 data_latest文件夹包含： 匹配UFC事件的数据，直到文件名中的日期为止（从维基百科检索） 匹配数据直至2020年5月30日 data_ufcstats文件夹包含： UFC事件的比赛数据（从ufcstats.com检索） 匹配数据直至2020年5月30日 先前的统一规则1993年11月12日至2000年9月22日 统一规则11/17/2000至05/30/2020 数据文件夹包含： list_of_UFC_past_events.csv 上次访问时间06/01/2020 活动日期截至2020年5月30日 list_of_UFC_scheduled_events.csv 上次访问时间06/01/2020 包含从6/6/2020到8/15/2020的预定活动 UFC 249弗格森vs.Gaethje

Kaggle竞赛-Zillow的房屋价值预测（估算） Zillow是致力于为消费者提供数据支持的领先房地产和租赁市场，它们为拥有和居住房屋的整个生命周期提供服务：购买，出售，租赁，融资，改建等。 Zillow估算其房屋的价值，并将其称为“ Zestimate”。 从Zillow出发： ““ Zestimates”是根据750万个统计和机器学习模型估算的房屋价值，该模型分析了每个属性上的数百个数据点。” Zillow在2017年5月24日发起了Kaggle竞赛，以改善其Zestimate模型。 这是我对他们的竞争的看法。 问题 一间房子真的值多少钱？ 对于试图购买第一套房子的普通人来说，回答这个问题可能是一项艰巨的任务。 无论人们愿意花多少钱，房子都值得，它取决于市场，房子的质量，位置等。 不幸的是，这还取决于您要问的人，是要问贷方，代理商还是县税务评估员。 换句话说，知道

Agent_based_modelling

资本 使用Captum探索PyTorch模型的可解释性 Captum可帮助ML研究人员更轻松地实现可与PyTorch模型进行交互的可解释性算法。对于模型开发人员而言，Captum可用于通过识别有助于模型输出的不同特征来改进模型和对模型进行故障排除，从而设计出更好的模型并进行故障排除意外的模型输出。（ ） 在这里，我们将解释Resnet模型对图像的预测，并使用归因技术（例如Captum提供的“集成梯度”和“遮挡”）来比较结果。 方案1-通过PyTorch模型进行正确的预测 在这里，输入图像是企鹅，模型预测是预期的“企鹅王”。 归因输出：综合梯度-

使用计算机视觉自动检测建筑物 在这个项目中，我们尝试训练基于神经网络的模型，该模型能够自动识别Nikki地区（贝宁）的建筑物。 我们从不带标签的通过Google Maps API获取的区域卫星图像开始。 这些图像将通过LabelIMG软件以YOLO格式标记，然后将为每个图像生成一个.txt文件，其中包含每个标记建筑物的相对位置。 标记完我们的训练图像后，我们就可以开始训练YOLO（一次只看一次），以便进行预测。 以下是蒙农镇上空行动的一个例子。

收入预测

自然计算-分配存储库 第25组：Chihab Amghane，Max Driessen，Jordy Naus 该存储库包含我们用于自然计算课程作业的所有代码

人口统计数据分析仪项目-FFCDAP 部分完成了带Python的freeCodeCamp数据分析课程。

用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了