机器学习项目 对亚马逊评论数据集的情感分析 .ipynb文件中包含的Python Scipts代码 项目代码文件夹中包含的数据集

压缩包内含吴恩达老师《Machine Learning》课程第四周的编程作业ex3所需完成的四个m文件。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。

FeatureSelectionGA 使用遗传算法（DEAP框架）进行特征选择 数据科学家发现，很难选择合适的功能来获得最大的准确性，尤其是当您要处理很多功能时。 有多种选择正确功能的方法。 但是，如果特征空间真的很大，我们将不得不为之奋斗。 遗传算法是一种从其他特征中搜索最佳特征集之一以获得高精度的解决方案。 安装： $ pip install feature-selection-ga 说明文件： 用法： from sklearn . datasets import make_classification from sklearn import linear_model from feature_selection_ga import FeatureSelectionGA , FitnessFunction X , y = make_classification ( n_samp

图像分类器-TensorFlow项目 在这个项目中，我们将首先为使用TensorFlow构建的图像分类器开发代码，然后将其转换为命令行应用程序。 我们将使用来自牛津大学的102个花卉类别的。 该项目的数据非常大-实际上，数据非常大，您无法将其上传到Github。 要求 该项目需要安装Python 3.x和以下Python库： 在终端中运行任何命令之前，请确保使用pip安装TensorFlow 2.0和TensorFlow Hub，如下所示： $ pip install -q -U "tensorflow-gpu==2.0.0b1" $ pip install -q -U tensorflow_hub 注意：为了完成此项目，您将需要使用GPU。 因为在您本地的CPU上运行可能无法正常工作。 您还应该仅在需要时启用GPU。 项目结构 该项目由两部分组成： 第1部分-使用深度学习开发图

贷款批准预测：贷款申请数据分析

深度演示 概述 该存储库包含一些使用深度学习方法的示例，这些示例用于在MoveIt Task构造函数中掌握姿势的生成。 这些软件包是在运行ROS Melodic的Ubuntu 18.04上开发和测试的。 配套 ：使用深度学习方法在MoveIt Task构造函数中的把握生成阶段构造一个拾取和放置任务 ：使用Dex-Net从深度图像中采样抓取 moveit_task_constructor_gpd ：使用GPD采样来自3D点云的抓取 入门 首先，完成“ 入门指南” 。 在安装依赖项之前，建议先运行： sudo apt update sudo apt upgrade 重要说明：建议在catkin工作区之外安装不是ROS软件包的依赖项。 对于GPD，这包括PCL，OpenCV和GPD库。 对于Dex-Net，这包括gqcnn ， autolab_core ，悟性和可视化。 下面的步骤

如何在Titanic Kaggle挑战中获得0.8134分：泰坦尼克号Kaggle竞赛的解决方案

PyDenseCRF 这是PhilippKrähenbühl （第2版，）的（基于Cython的）Python包装器。 如果您将此代码用于reasearch，请引用： Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials Philipp Krähenbühl and Vladlen Koltun NIPS 2011 并以脚注或引用的形式提供到此存储库的链接。 安装 该软件包位于PyPI上，因此只需运行pip install pydensecrf即可安装它。 如果您想要最新的版本，可以通过执行以下命令进行安装： pip install git+https://github.com/lucasb-eyer/pydensecrf.git 并忽略了来自本征的所有警告。 请注意，此包装器需要相对较新的Cython版本（至少0.22版），而Ubuntu 14.04随附的版本太旧。 （感谢Scott Wehrwein指出这一点。）我建议您使用并在那里安装最新版本的Cython（ pip ins

工具箱添加到matlab的方法： >>addpath RVCDIR >>startup_rvc RVCDIR是解压该文件夹之后，rvctools文件夹子文件所在目录，注意目录要到rvctools层。命令startup_rvc会将各种子文件添加给你的路径。

恶毒的 基于实体级别F1分数的命名实体识别（NER）系统的评估脚本。 定义 Nadeau和Sekine（2007）已描述了此处实施的度量标准，该度量标准已广泛用作“消息理解会议”的一部分（Grishman和Sundheim，1996）。 它根据两个轴评估NER系统：是否能够为实体分配正确的类型，以及是否找到确切的实体边界。 对于两个轴，都计算正确的预测数（COR），实际的预测数（ACT）和可能的预测数（POS）。 从这些统计数据中，可以得出准确性和召回率： precision = COR/ACT recall = COR/POS 最终得分是对类型和边界轴的精度和召回率进行微平均的F1度量。 安装 pip install nereval 用法 当分类结果已写入JSON文件时，可以从Python内部使用此脚本，也可以从命令行使用该脚本。 从命令行使用 假设我们在input.json具有以下