使用OpenCV和Python的手写数字识别 使用的数据集 对于这个项目，我使用了MNIST数据集。 它可以在Internet上免费获得。 要求 的Python 3 斯克莱恩 OpenCV 3 麻木 Jupyter笔记本 训练SVM模型 SVM_Classifier.ipynb-这是一个ipython笔记本，因此您需要安装jupyter-notebook才能使用此文件。 如果要重新训练模型，请使用此文件。 digits_cls1.pkl-这是一个已保存的SVM模型文件。 使用OpenCV进行数字识别 dig_rec.ipynb-这是一个ipython笔记本，用于使用OpenCV识别图像中的手写数字。此文件使用受过训练的SVM模型digits_cls1.pkl 。 使用OpenCV进行实时数字识别 dig_rec_vid.ipynb-这是一个ipython笔记本，用于使用网络摄像头和O

项目说明 在本作业中，您将演示从本课程中学到的数据可视化技能。 您将需要生成两个可视化图。 第一个将是分组的条形图，以总结为评估受众对不同数据科学主题的兴趣而进行的调查的结果。 第二个情节是旧金山的犯罪率的Choropleth地图。

决策树预测算法 项目：决策树 创建决策树分类器并以图形方式对其进行可视化。 目的是，如果我们向该分类器提供任何新数据，它将能够相应地预测正确的分类。 请找到以下文件： 1. Required .ipynb file. 2.Provided data. 3.Decision Tree in .png file form.

german_credit_python 用于预测贷款违约的Logistic回归Python模型。 在德国信用数据数据集上对模型进行了训练。 logreg_classifier.pickle是训练有素的模型工件。 包括评分函数的样本输入（ df_baseline.json ， df_sample.json ）。 模型代码包括用于计算“组”和“偏差”指标的指标函数。 指标函数期望一个DataFrame至少具有以下三列和三列： score （预测）， label_value （实际）和gender （受保护的属性）。 包括指标功能的样本输入（ df_baseline_scored.json ， df_sample_scored.json ）。

Batch_FID_PyTorchPix2Pix 它生成一系列代码行，以计算每个时期的实际样本和测试样本之间的FID

380CT_Vox_Machina 概括 此Jupyter笔记本文档是380CT考文垂大学的课程作业。 它是由内森·布朗，哈里·威尔斯和阿玛·巴马尔撰写的。 内容包括元启发式方法，即带有DFJ公式的蚁群优化和禁忌。 要求 适用于Python的Gurobi，请在此处提供安装说明： ://www.gurobi.com/gurobi-and-anaconda-for-windows/。 所使用的许可为“学术免费”。 tsputil，要安装，请转到Anaconda命令行并键入“ pip install tsputil”，然后等待下载。 重要提示：请注意讲师。 我们的小组注意到直接从GitHub显示笔记本的问题； 即，不显示所有数据输出的问题。 但是，如果您下载笔记本，则所有信息仍然存在。 因此，不要认为它是不完整的。

IMDB_Sentiment_Analysis 鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而

有毒评论分类挑战笔记本 在其上查看该比赛的详细信息 要求 数据可以从下载一些笔记本使用GloVe预先训练的单词向量。 可以在下载（请注意版本）。 到目前为止，Kaggle得分 RCNN-0.9721 字符级深RCNN-0.9750 Logistic回归+朴素贝叶斯SVM-0.9797 RCNN v2-0.9799 合并的RCNN-0.9837 LG NB-SVM +合并RCNN集成-0.9850 LG NB-SVM + RCNNv3 + CharRCNN集成-0.9855

基于Markov亲和力的细胞图插补（MAGIC） 基于马尔可夫亲和力的细胞图插补（MAGIC）是一种用于对最常应用于单细胞RNA测序数据的高维数据进行去噪的算法。 MAGIC使用结果图对特征进行平滑处理并恢复数据的结构，从而学习流形数据。 要了解如何将MAGIC应用于单细胞RNA序列，阐明上皮到间充质的转变，请阅读的。 MAGIC已在Python，Matlab和R中实现。 要立即开始，请查看我们的教程： Python 骨髓教程 [R 上皮到间质过渡教程 骨髓教程 魔术揭示了波形蛋白（VIM），钙黏着蛋白1（CDH1）和锌指结合E-box的同源盒1（ZEB1，由颜色编码）之间的相互作用。 目录 Python 安装 用pip安装 从GitHub安装 用法 快速开始 讲解 Matlab的Matlab版本的说明 [R 安装 从CRAN安装 从GitHub安装 用法 快速开

kMeans_PCA 在sklearn乳腺癌数据集上包含k-Means和PCA的原始代码