Jupyter笔记本

注意：由于数据源的修改，某些记录可能看起来不完整或与前几天不一致。 ---专用警告--- 以下文件将不再更新。 随着新数据结构的发布，我们将更新时间序列表以反映这些变化。 请参考time_series_covid19_confirmed_global.csv和time_series_covid19_deaths_global.csv以获取最新的时间序列数据。 time_series_19-covid-Confirmed.csv time_series_19-covid-Deaths.csv time_series_19-covid-Recovered.csv

ML菜谱 由@ 5x12制作 信息 ML-Cookbook是一个包含监督学习算法模板的存储库。 如下面的“算法列表”所示，通过回归和分类将算法划分。 如何使用 每种算法均在Jupyter Notebook中按适当的说明分为不同的部分。 除数据输入和输入/目标变量定义外，无需调整任何部分。 请注意，所有算法都以一个数据集为例。 因此，在某些算法中，在这种情况下合适或适当的输入变量和目标变量的质量可能非常低。 算法清单 分类 神经网络分类器 线性支持向量机（LSVM） 逻辑回归 多类别分类 内核支持向量机（SVM） 决策树 朴素贝叶斯分类器 随机森林 回归 神经网络回归器 岭回归 套索回归 多项式回归 线性回归

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

Spiking_Neuron 基于它们的计算单位的神经网络可以分为三代： 第一代：这一代神经网络包括感知器，Hopfield网络，boltzmann机器等。 第二代：这一代神经网络包括多层神经网络，递归网络等。 第三代：这一代神经网络包括Spiking神经网络，它是对大脑内工作和信息流的更真实的表示。 该存储库包含LIF（泄漏集成和激发）神经元模型和Izhikevich神经元模型的代码和模拟，以及它们的大多数配置变化，以模拟人脑中神经元的各种操作方式。 这些神经元模型非常紧密地以数学微分方程的形式表示了大脑中神经元的功能，因为人们认为大脑是一个强大的信号处理系统。 伊兹凯维奇神经元模型 LIF神经元模型 该存储库的目的是为大脑的行为建模，以便以后可以在Spiking Neural Networks中修改和实现这些模型。

数据项目 使用Python的数据项目（Jupyter Notebook） 数据处理 资料建模 数据洞察 数据可视化

电信客户流失项目 “预测保留客户的行为。分析所有相关的客户数据，并制定针对性的客户保留程序。” [IBM示例数据集] 介绍 这是Kaggle数据集。 每行代表一个客户，每列包含在元数据列中描述的客户属性。 数据集包含有关以下信息： 在上个月内离开的客户–该列称为“客户流失”。 每个客户都已注册的服务-电话，多条线路，互联网，在线安全，在线备份，设备保护，技术支持以及流电视和电影。 客户帐户信息-他们成为客户的时间，合同，付款方式，无纸化账单，月度费用和总费用。 有关客户的人口统计信息-性别，年龄范围以及他们是否有伴侣和受抚养人。 该项目的目标是探索这种类型的模型，进一步了解该主题，并提出客户保留计划的建议。 前处理 加载数据后，我检查了重复值和缺失值。 没有重复的值，但“总费用”列中缺少11行。 事实证明，这些行适用于任期为“ 0”个月的客户。 这意味着他们是非常新的客户，并且使用

股票预测 使用机器学习来预测/预测股票价格的未来趋势。 查看详细介绍此 repo 的 Medium 文章！

财务情绪分析 进行实验以训练我自己的Word2vec嵌入，以便使用注意力模型进行转移学习。 （自然语言处理和深度学习）涉及对斯坦福问题解答数据集和迁移学习的实验。 这些实验背后的想法是将转移学习用于具有深度神经网络和注意力模型的无监督文本数据。 我训练有素的word2vec嵌入的代码将在以后添加库：Keras，python，pandas，nltk Tensorflow和一些sci-kit在这里和那里学习

DeepCGH：使用深度学习的3D计算机生成的全息术 DeepCGH是一种用于计算机生成全息图的无监督，非迭代算法。 DeepCGH依靠卷积神经网络实时执行图像平面全息照相。 有关结构和算法的更多详细信息，请参见[1]。 另请参阅我们的版权和许可声明copyright.pdf 。 有关动手教程，您还可以在Google colab和Jupyter Notebook（ tutorial.ipynb ）上看到 。 安装指南和依赖项： 在这里，我们提供DeepCGH的Python和Tensorflow实现。 该软件的当前版本不需要明确安装。 依赖项包括： python 3.x tensorflow-gpu >= 2.0.0 h5py scipy skimage tqdm 如果您具有Python 3.x（最好是3.7），则可以通过在Windows的Ubuntu终端或Anaconda Prom