使用机器学习预测寿命 一个典型的回归机器学习项目利用历史数据来预测对未来的见解。 该问题陈述旨在通过给定各种特征来预测一个国家的预期寿命。 预期寿命是对人的平均预期寿命的统计量度，预期寿命取决于多种因素：地区差异，经济状况，性别差异，心理疾病，身体疾病，教育程度，出生年份和其他人口统计因素。 该问题陈述提供了一种预测生活在该国的人的平均预期寿命的方法，该因素包括以下因素：年份，GDP，教育程度，该国人的饮酒量，医疗保健系统的支出以及在该国发生的某些与特定疾病相关的死亡。国家。

Introduction-to-TensorFlow-for-Artificial-Intelligence-Machine-Learning-and-Deep-Learning:TensorFlow的人工智能，机器学习和深度学习简介

社区发现 使用属性和结构相似性进行社区检测。 安装： pip install community_detect 依存关系： NetworkX Matplotlib 用法： Import: from community_detect import Community 初始化： com = Community(alpha_weight = 0.5) #You can add your own value for Alpha 职能： Main method: get_communities(Graph, #Your Graph Vertices, #List of Vertices Similarity Matrix, #Similarity

机器学习预测住房价格 房价-高级回归技术的Kaggle竞争：使用机器学习来预测爱荷华州的房价。 查找kaggle竞赛的链接： ://www.kaggle.com/c/house-prices-advanced-regression-techniques 该存储库有几个文件： Code_Predicting房屋价格.py：是带有项目代码的jupyter笔记本。 它还具有注释，以帮助您理解开始代码的思考过程。 预测房价艾姆斯，爱荷华州：pptx：介绍该项目的简报。 它面向具有一定技术知识的公众。 预测房价Iowa.docx.pdf：博客文章，解释了该项目的技术和业务方面。 train.csv：用于项目的数据。 它已上传到github上，为您提供方便，也可以在Kaggle的网页上获取。

流失预测 使用人工神经网络的客户流失预测 问题陈述 任务是预测某个客户是否会放弃公司。 也就是说，要预测“客户流失”属性。 通常，为每个客户国家/地区提供的信息帐户长度区号电话国际计划VMail计划VMail消息日间日间通话日间收费夏娃·明斯平安夜电话夏娃冲锋夜分钟夜间通话夜间收费国际分钟国际通话国际收费客户服务电话搅拌？ 内容 数据探索 数据预处理 训练模式 可视化模型

大流行中心 机器学习在预测美国COVID-19病例中的应用 关于这个模型 我们的模型结合了人口，人口流动性，人口健康状况和COVID-19测试数据，使用了COVID-19隔间模型预测，以在美国县/县级水平上生成自己的COVID-19预测。 该存储库包含我们用于生成此信息的代码。 有关我们的数据源和管道的更多详细信息，请阅读data/目录中的README.md文件。 在我们的查看我们的最新预测，并在查看我们。 免责声明 我们希望成为了解当前大流行趋势的宝贵资源，并在社区一级提高对COVID-19的认识。 但是，我们强烈建议不要过度解释我们的预测。 机器学习模型仅与训练它们的数据一样好。 我们使用可获得的最佳质量数据，但我们承认预测中的错误是不可避免的。 产生投影 首先，克隆此存储库： git clone https://github.com/solveforj/pandemic-ce

客户分析：机器学习有关客户细分和群体预测的案例研究

Intelligent optimization algorithms have advantages in dealing with complex nonlinear problems accompanied by good flexibility and adaptability. In this paper, the FCBF (Fast Correlation-Based Feature selection) method is used to filter irrelevant and redundant features in order to improve the quality of cancer classification. Then, we perform classification based on SVM (Support Vector Machine) optimized by PSO (Particle Swarm Optimization) combined with.ABC (Artificial Bee Colony) approaches,

DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p

此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 YOLOv5 NCNN实现此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 注意：当前，NCNN不支持带步的切片操作，因此我删除了切片操作，并用缩小的图像替换了输入，然后将其堆叠以匹配通道号。 这可能会稍微降低精度。 萤幕撷取画面，由腾讯的Ultralytics NCNN提供YOLOv5