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

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。