基于机器学习的疫情大数据智能分析和可视化系统源码+项目文档.zip方案实现 数据采集： 本实验数据包含北京, 香港, 上海, 四川, 河北, 甘肃, 陕西, 辽宁, 广东, 台湾, 福建,重 庆, 浙江, 江苏, 天津, 云南, 澳门, 湖北等 34 个省份城市(含港澳台)的疫情数据，其中数据 字段包括： 读取数据 数据预处理 缺失值处理 日期转换 连续数值转换 离散数值转换 特征工程 建立模型 模型训练 模型评估 模型优化 模型实施 中国高校计算机大赛-网络技术挑战赛选拔赛阶段作品设计文档 id：数据编号 confirmedCount：累计确诊 confirmedIncr：新增确诊 curedCount：累计治愈 curedIncr：新增治愈 currentConfirmedCount：现存确诊 currentConfirmedIncr：新增现存确诊 dateid：日期 deadCount：累计死亡 deadIncr：新增死亡 suspectedCount：累计疑似 suspectedCountIncr：新增疑似 数据预处理： 1、统计数据行列数，查看部分数据，如图 1： df.sh

基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确模式进行分词，构造词典 将词汇向量化 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比 SVM vs LSTM 基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确模式进行分词，构造词典 将词汇向量化 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比 SVM vs LSTM 基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确

毕设新项目 基于SVM和LSTM实现的购物平台商品评论情感对比分析毕设源码+数据集+模型+项目说明.7z 【项目介绍】 使用Selenium模拟真实登录行为，并爬取数据 数据清理 将词汇向量化 使用jieba精确模式进行分词，构造词典 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比。 【备注】主要针对正在做毕设的同学和需要项目实战的机器学习、深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

机器学习项目基于卷积神经网络CNN实现中国象棋棋子识别源码+数据集+项目说明.zip 项目文件包括日志文件夹、源代码文件cnn.py、模型文件、模型测试文件、数据集文件夹； 当然也有一些数据集的调试文件。

使用PCA、NMF和HOG特征，分别配以KNN（k=1,3,5）和SVM两类分类器，实现对交通标志的分类（包括对其余类的拒识）（Matlab完整源码和数据） PCA_KNN : PCA + KNN PCA_SVM : PCA + SVM NMF_KNN : NMF + KNN NMF_SVM : NMF + SVM HOG_KNN : HOG + KNN HOG_SVM : HOG + SVM

基于机器学习GRU_CNN_KNN_SVM_RF5种实现的web攻击检测系统项目源码+数据集+模型+项目说明.7z 基于聚类的XSS和SQL注入检测 基于机器学习的XSS和SQL注入检测 现了基于GRU，CNN，KNN，SVM，RF共五个检测模型 检测过程：数据加载-》数据预处理(urldecode和转小写)->向量化（预训练word2Vec模型，padding补齐）->模型训练->模型预测->模型评估

基于机器学习的多因子研究框架源码+项目说明.7z

基于机器学习的发债主体违约风险预测项目源码+项目说明.7z 【项目介绍】 该项目以发债企业作为研究对象，利用财务逻辑和技术手段对178个原始特征指标进行有效筛选，构建了基于多种机器学习算法的模型，对比后挑选LightGBM模型作为最终模型进行更精细化训练，最终模型关键预测指标均有比较好的效果。 Jupyter Notebook代码 【使用说明】 BondDefault文件为项目代码 基于机器学习的发债主体违约风险预测.pptx为ppt形式的项目展示

基于机器学习实现发电厂辅机故障预警系统源码+项目说明.7z 针对电厂辅机故障率高，传统的基于机理的模型预警不及时，经常误诊的问题，设计了基于机器学习的新型故障预警模型 面对三种不同的使用场景，分别设计了基于聚类和关联规则的预警模型、基于随机森林的预警模型、与基于多元高斯分布和人 工神经网络的预警模型 使用某电厂一次风机的实际数据进行验证，所设计的三种预警模型能够提前约60min发出预警，给电厂运行人员提供指导 除了以上的算法，还使用一分类、支持向量机、XGBoost算法等对数据进行了处理

基于开源URL数据字符串特征的恶意性检测项目源码+数据集+模型+项目说明.7z 从kdnuggets上收集到了带标签（good/bad）的URL数据集，共416350条，其中异常数据（bad）71556条，占比17.19%； 正常数据（good）344794条，占比82.81%。 将全体数据划分为训练集（70%），验证集（15%）和测试集（15%），并且在每个集合中均保持异常数据所占比例相同。 分类器模型 准确度（%） 精确度（%） 召回率（%） 贝叶斯 85.88 60.82 50.25 AdaBoost 92.84 86.05 69.65 随机森林 97.13 95.9 87.05 决策树 94.63 83.9 85.11 逻辑回归 90.86 83.29 58.58 梯度提升树 96.35 93.7 84.45 基于投票的分类器 97.1 92.51 90.48