IBM-HR-Analytics-Employee-Attrition-Performance.ipynb：Projek 1

纳什网 网络分析是分析关系数据（例如社交网络）的一种强大且日益广泛的方式。 在本教程中，我们将学习图论的基础知识以及如何使用流行的开源Python软件包NetworkX。 然后，我们将运用这些知识来提取有关田纳西州MeetUp小组的社交结构的见解。 基于此工作的博客文章（将在上 。 现在，在上也可以使用可分叉和可编辑的内核。 储存库内容 1_Motivation-Approach.ipynb ：NetworkX简介，构建和绘制基本图形。 2_Getting-MeetUp-Data.ipynb ：NetworkX简介，构建和绘制基本图形。 3_Basic-NetworkX.ipynb ： NetworkX的简介，构建和绘制基本图形。 4_PyNash-Relationships.ipynb ：对PyNash MeetUp组的分析以及它最受欢迎的成员的排名。 5_Nashville-

指甲分割 迷你U网络进行指甲分割 我已经实现了CNN，用于在蒙版标签的指甲上进行图像分割- 在训练过程中，我监控了预测的

骨骨折检测 :worried_face: X射线图像中用于骨折检测的数据扩充和预处理 :person_raising_hand: 1. radius骨远端骨折 :crying_face: 1.1引言 :grinning_face_with_big_eyes: 这部分是关于使用更快的RCNN来检测远侧X射线图像中的远端识别并定位远端radius骨骨折。 （38张图像-分辨率高达1600×1600像素用于训练）。 结果（ACC = 0.96和mAP = 0.866）比医生和放射线医师（仅0.7 ACC）获得的检测结果准确得多。 一些挑战： :grinning_face_with_big_eyes: 在许多情况下，裂缝的尺寸很小且难以检测。 骨折有各种各样的不同形状 Faster R-CNN的优势在于它可以处理高分辨率图像。 同样，可以在检测少量图像的对象时以较高的精度训练Faster R-CNN。 两个明确的任务： 分类远端radius骨是否骨折。 找到骨折的位置。 1.2更快的RCNN 更快的RCNN包含3个部分： 用于分类和生成特征图的卷积深度神经网络。 区域提案

使用Azure预测沃尔玛销售 在此存储库中，我们介绍了Microsoft Azure的Udacity纳米级程序机器学习工程师的Capstone项目。 在最后一个项目中，我们创建了两个模型来解决预测问题：一个模型使用Automated ML ，另一个模型使用HyperDrive调整了超参数。 然后，我们比较两个模型的性能，并将性能最佳的模型部署为Web服务。 特别是，我们选择Light GBM作为我们的自定义模型，以通过HyperDrive优化超参数。 架构图 数据集 总览 该项目中使用的数据集是Kaggle竞争提供的更大数据集的一小部分。 完整的数据集涵盖了美国三个州（加利福尼亚州，德克萨斯州和威斯康星州）的商店，并包括项目级别，部门，产品类别和商店详细信息。 此外，它具有解释性变量，例如价格，促销，星期几和特殊事件（例如超级碗，情人节和东正教复活节），这些变量通常会影响单位销售并可以

胎儿健康分类 该项目基于的数据集。

提取与抽象文本摘要方法：分析 文本摘要解决了将信息压缩为更紧凑形式的问题，同时又将重要信息保留在文本中。 自动文本摘要的方法分为两个主要类别：提取性和抽象性。 提取摘要的常见方法包括根据句子的相关性，选择最能代表原始文本表达信息的最具代表性的句子。 一种流行的抽象文本摘要方法是使用编码器-解码器结构，该结构会生成数据的潜在因子表示形式，并将其解码以生成摘要。 该项目的目的是分析和比较两种方法在专门用于科学文献时的有效性。 动机 我从事此项目的动力来自个人经验。 作为一名大学学生，我经常会遇到大量与我的兴趣相关的科学论文和研究文章，但我没有时间阅读所有内容。 我希望有一种方法能够对论文的主要思想进行汇总，而又不会显着减少重要内容。 文本摘要是一种广泛实施的算法，但是我想探索特别适用于科学写作的不同文本摘要方法。 介绍 自动文本摘要是使用信息优先级排序系统缩短文本文档的过程。 生成摘要的技术会

剑三警长（原剑网三战斗日志分析，奶歌复盘） JX3乙各从其大号OG甲nalyser V4.1.0 用于深度分析剑网三中茗伊战斗复盘的框架。 支持奶歌的复盘，与演员的复盘。 具体功能还在不断完善中，为了效率可能会做出一些妥协，不慌。 使用方法1 在剑网三安装目录中的JX3\bin\zhcn_hd\interface\MY#DATA\(一串数字)@zhcn\userdata\fight_stat下找到战斗记录，将战斗记录放在本目录下。 运行： python3 MainWindow.py 其中，每个数字对应了唯一的角色ID，但具体的文件夹要通过猜测来获得。 使用方法2 在config.ini中填充记录者的角色名（并不一定是奶歌的角色名）。然后运行： python3 MainWindow.py 其会自动寻找对应角色的最后一次战斗记录。 发布 pyinstaller -F -i jx3bla.

深层OF 用于使用从自由移动的动物的视频中提取的时间序列进行后处理的套件 您可以使用此包从时间序列中提取预定义的主题（例如时区，攀岩，基本的社交互动），也可以将数据嵌入到序列感知的潜在空间中，以在无人监督的情况下提取有意义的主题方法！ 两者都可以在包内使用，例如，以自动比较用户定义的实验组。 我该如何开始？ 安装： 打开一个终端（安装了python> 3.6）并输入： pip install deepof 在我们深入研究之前： 首先，为您的项目创建一个文件夹，其中至少包含两个子目录，分别称为“视频”和“表”。 前者应包含您正在使用的视频（原始数据或从DLC获得的带有标签的视频）； 后者应该具有您从DeepLabCut获得的所有跟踪表，格式为.h5或.csv。 如果您不想自己使用DLC，请不要担心：一个兼容的小鼠预训练模型将很快发布！ my_project -- Videos ->

NC州立大学图书馆的数据与可视化教学材料 关于 该存储库包含在NC州立大学图书馆开发的材料，可用于教学支持。 这些材料仅供任何想了解特定数据和可视化主题或进行数据和可视化指导的人员参考。 已经做出努力来制作在面对面的指导课之外有用的材料。 储存库组织 该存储库中的每个文件夹都包含指导活动，计算笔记本（例如Jupyter Notebook）和/或NC State University Libraries指导课程中使用的数据集。 联系信息 提交问题或创建请求请求以建议对材料进行更新或更改。 您可以找到有关指令支持的更多信息，并通过图书馆的“与数据和可视化服务部门联系。